目前,产品质量视觉检测中主要使用依赖人工提取特征的传统视觉检测算法和机器学习算法。面对复杂多样的缺陷检测任务,这些算法受限于特征工程,难以满足需求。而基于深度学习的视觉检测算法可自动提取样本特征,识别精度高,泛化能力强。但在采集原始数据过程中,往往存在缺陷样本少和样本标注成本高的问题,这与深度学习训练相悖。因此,本文以真实换向器缺陷样本为研究对象,提出基于深度学习的多任务缺陷检测框架。具体内容如下:针对工业缺陷检测任务,提出一种基于深度学习的分割决策缺陷检测框架,包含骨干网络,分割网络和决策网络。三个网络具有不同分工。骨干网络从输入图像中提取高维卷积特征。分割网络识别出缺陷具体位置。决策网络根据卷积特征和分割网络结果预测样本类别。对提出的分割决策缺陷检测框架,探究不同训练方法。首先通过全监督训练,验证该框架在小数据集上的可行性和实用性。然后针对样本标注成本高问题提出了弱监督目标函数训练分割网络。弱监督目标函数仅仅使用图像级标签训练,可以定位缺陷位置,并且分类性能与全监督训练结果相当。针对弱监督分割结果精度不高问题,探究不同算法。首先介绍基于图的分割方法,作为对分割结果后处理算法。然后将图分割方法结合深度学习训练过程,提出新算法Deep Cut Plus训练分割网络。Deep Cut Plus在不改变网络结构和不增加检测时间条件下,获得比相关弱监督分割结果和图分割结果更优的分割精度。用真实的换向器数据集作为实验样本,对本文提出分割决策缺陷框架进行全面的实验,验证了本文提出产品质量检测框架的优点。在监督训练条件下和弱监督训练条件下,本文缺陷检测框架都表现出更加优秀的检测性能。在提出弱监督方法和Deep Cut Plus算法共同训练下,仅仅使用图像级标签可以获得优秀分割结果,优于已有图分割方法和弱监督分割方法。综上所属,本文针对工业缺陷提出一种基于深度学习的产品质量视觉检测框架,以及相应的训练方法,并实验验证了其可行性。