表面缺陷检测是指对物体图像中的表面缺陷进行检测与定位,能够辅助剔除工业生产过程中的残次品,对于工业产品质量监控有着至关重要的作用。表面缺陷检测算法通常需要在无任何缺陷先验信息的情况下,对真实世界中的缺陷样本进行检测,但这会导致算法在缺陷区域的重建误差小,对缺陷区域定位效果差以及在实际应用中由于模型参数量庞大检测速度慢等问题。为解决以上问题,本文提出基于自监督学习范式的基于缺陷修正的表面缺陷检测算法和基于低层原型在线学习的表面缺陷检测算法,并设计了一种拉链缺陷检测应用系统,实现对拉链表面缺陷的实时检测。本文主要创新点及研究内容如下:1.提出一种基于缺陷修正的表面缺陷检测算法。当前基于重建的表面缺陷检测算法假设自编码器不能重建出在训练过程中从未出现过的缺陷区域。但由于自编码器的泛化能力过强,在检测过程中也能够完成对缺陷区域的重建,导致缺陷区域与正常区域的重建误差接近,无法实现对缺陷的检测。针对此问题,首先利用超像素分割算法分割正常图像获取超像素,并随机选取超像素添加高斯噪声以合成缺陷图像。然后利用掩膜自编码器对缺陷图像中的缺陷进行预测,由于掩膜自编码器在训练过程中输出的软掩膜图存在错误预测信息,可通过软掩膜图的错误信息模拟真实缺陷的异常激凸特性,因此将软掩膜图与缺陷图像相融合进一步模拟真实缺陷。最后通过缩小缺陷重建区域多个尺度特征与正常区域特征之间的曼哈顿距离而扩大与缺陷区域特征之间的曼哈顿距离,重建自编码器将缺陷区域修正为正常区域,提高缺陷区域的重建误差。实验表明,本算法相较于以往算法有着更好的缺陷检测效果。2.提出一种基于低层原型在线学习的表面缺陷检测算法。当今算法先对规则的图像区域进行缺陷检测,再将区域检测结果分配给区域内像素,但由于规则图像区域可能即包含正常像素,也包含异常像素,区域检测结果并不能代表区域内每一像素的检测结果,缺陷区域内像素的检测结果不准确,导致对缺陷区域的定位效果差。针对此问题,首先提取图像的等尺寸低层细节特征矩阵。然后,在训练集数据的所有低层细节特征上进行在线聚类学习获取低层原型向量。最后将与低层细节特征欧式距离最小的原型向量作为伪标签,对特征矩阵提取网络进行训练。检测时,逐一计算特征矩阵中的低层特征与原型向量之间的度量距离,获取特征对应位置像素的异常得分,直接对像素是否为异常进行决策。实验表明,该算法相较于以往算法对缺陷的定位更加精确。3.设计一种基于轻量级检测模型的拉链表面缺陷检测应用系统。在实际应用中缺陷检测模型参数量庞大,导致模型检测速度慢。针对此问题,首先根据拉链数据本身的特点,设计了拉链图像的数据采集与预处理步骤。接着,提出了适合于拉链的表面缺陷检测流程。最后,基于自适应超球体对轻量级的深度支持向量数据描述模型进行改进,至此构建出了用于拉链缺陷检测的应用系统并将该系统进行部署。在拉链生产加工的工业场景中,该系统能够完成对缺陷拉链实时精准的检测。