进入21世纪以来，中国汽车行业迎来了迅猛发展，庞大的汽车产销体量为国内汽车零部件产业发展创造了无比广阔的市场。汽车活塞作为汽车核心零部件发动机的主要零件，其质量的高低直接影响汽车整机的质量与性能，并且直接关乎乘车人员的生命安全。目前国内外针对汽车活塞表面缺陷的检测都是采用人工检测为主，由于要求检测准确率高、工作量大；导致生产效率降低、人员投入增大、人力成本升高。为了解决上述问题，本课题以发动机活塞为研究对象，针对其在生产过程中产生的表面缺陷，研究开发基于深度学习方法的活塞表面缺陷检测算法。本文的研究工作和贡献如下：
　　（1）图像数据集的制备。首先采用自动化图像采集设备，对活塞表面缺陷进行图像采集，紧接着使用Labelimg软件对缺陷数据进行标注，然后选择在真实场景中可能出现的缺陷图像扩增，并伴随原图像扩增而生成相应的xml信息，这样可极大减少标注等机械性工作量。
　　（2）通过对活塞缺陷的特征进行分析，从检测精度出发，利用深层神经网络的提取特征优势，采用较为最新、模型复杂度更大、层数更深的EfficientDet系列网络进行探索和研究。并提出了ResNet50融合EfficientNet的骨架网络方法，实验结果表明，使用该构建的融合模型，其对冷隔缺陷（sy）的检出率为97.62%，对碰伤缺陷（jz）的检出率为94.66%，分别高于未改进模型0.65%和6.87%。
　　（3）由于深层、多重复特征网络EfficientDet实时性表现受限，对算法在工业上的应用极为困难，因此从检测速度的角度考虑，使用一阶段Anchor-free的YOLO v1、Anchor-based的YOLO v3和SSD进行研究，来测试该类网络在活塞瑕疵检测的性能，为后续的轻量级检测网络研究做了良好的奠基。
　　（4）由于在工业应用中，轻量级网络有助于缓解硬件资源的压力和提高实时性。让算法精度和速度达到可观的平衡点，对工业应用极为重要。通过对深层神经网络和实时性较好的一阶段网络比较，确定Faster R-CNN网络作为本文的研究重点并根据课题需要进行改进。主要改进在四个方面，分别为：替换Backbone、寻找最佳Anchor参数、将RoI Pooling替换成RoI Align和设计损失函数。实验表明，改进后的网络，其mAP达到67.25%，高于原网络14.81%，而检测帧率保存不变。对比其他网络，改进的Faster R-CNN网络在保证精度的前提下，其实时性较为可观，因此达到了很好的平衡，可应用于工业缺陷图像检测。
　　（5）为了有效检验改进Faster R-CNN网络的性能，选取公共瑕疵数据集进行实验，并和使用该公共数据集的论文方法进行比较，得出其网络性能。通过对本课题数据集和公共数据集实验表明，该改进网络满足于工业检测的要求。其算法不仅可应用于本课题，同样也可适用于其他工业图像的数据集检测，具有很高的鲁棒性和泛化能力，对工业图像缺陷检测具有一定的推广和借鉴价值。