在航空航天工业领域,先进复合材料已经成为必不可少的一部分,其用量更是映射出一个国家在其航空工业领域的发展水平。在复合材料构件铺丝制造中,对铺丝缺陷进行在线自动化检测是保证产品质量的重要技术手段。近年来,由于计算机视觉的迅速应用和发展,其非接触式的检测方式应用愈加广泛,使得利用机器视觉来实现和完成纤维增强复合材料产品制造和应用过程中的各种自动化检测变为可能。然而由于复合材料铺丝缺陷种类多,检测速度要求高,传统的视觉检测手段很难在高速运行过程中准确识别,漏检误检较为严重,因此迫切需要找到具有强表征的高效率视觉检测算法。针对以上问题难点,本文主要完成以下四方面的工作:(1)基于共生矩阵和改进费希尔判别的复合材料缺陷检测算法本文提出了一种基于改进费希尔判别的预浸料缺陷分类方法,该方法通过图像自适应形态学处理,基于傅里叶变换以及霍夫变换寻找图像高响应区域,形成缺陷定位高斯分布特征图,将响应峰值对应位置作为缺陷定位位置;并将其双线性插值为尺寸32*32的分类特征图,计算分类特征图多方向共生矩阵能量,熵,对比度等特征值,通过协方差矩阵降维去除冗余信息,得到16维特征矩阵,构建基于改进的费希尔线性判别矩阵,通过计算判别函数概率累计和确定缺陷类型。(2)基于Yolov3的复合材料缺陷实时检测算法基于共生矩阵和改进费希尔判别的复合材料缺陷检测算法因为模型参数的限制,在特征表征方面较深度学习方法仍有较大的差距,基于Yolo的复合材料检测算法可以在在增大参数量的同时,通过梯度下降的方式学习更好的缺陷特征,从而解决传统算法图像特征表观较差问题;并通过建立数据集,优化预训练模型和损失函数,解决标注数据类别不均衡以及回归分支优化方向不明确的问题。(3)基于Yolov3的模型BN层稀疏化剪枝方法本文课题落地于工程实践,一般的深度学习模型在具有特征表观力强大的同时,往往具有更大的体积,需要更大的计算资源,耗费更多的检测时间,这在实际中是不被允许的。本环节在保证精度的前提下,提出了新的模型量化剪枝方式,该方法通过重新添加对于BN层权重的惩罚系数,使模型参数稀疏化,模型大小降低为原来的1/6,浮点数降低为原来的1/3,推断的速度可以达到原来的2.5倍,经实验验证可以基本保证模型的测试指标,浮动范围在1%之内。除此之外,构建实现了基于量化的模型纵向融合和INT8模型,整体速度提高近400%,其有着非常重要的实际意义。(4)基于深度学习算法的软件开发本文在算法研究的基础上,合作完成了相应的算法检测软件并进行实验验证,其中软件方面主要分为图片采集模块,算法分析模块,通信模块和数据统计模块;数据方面人工筛选标注数据集共计7900张图片,计11种缺陷类型,分为训练数据集(7000张)和测试集(900张),经实验验证测试集检测指标mAP为0.58。