随着工业生产效率的不断提升,对工业产品的检测标准也越来越严格。传统图像处理方法通常基于预先设计好的特征提取器,通过不断调整参数来优化检测结果,对纹理复杂的工业图像检测效果较差。而深度学习通过对大量样本进行训练学习,得到的特征能够更好地表征数据集的本质信息,更有利于表面缺陷的分类与检测,为目前传统算法中存在的误检率高、准确率低等问题提供了新的解决思路。本文提出了基于GAN和Faster R-CNN的工业图像分类与检测算法、基于YOLOv2的工业图像分类与检测算法。研究内容主要包括以下几个方面:(1)研究了工业图像分类与检测问题,设计了基于深度学习的工业图像分类与检测系统。系统主要包括图像采集子系统、电机驱动与控制、数据处理与人机交互和机器人协调控制四部分。通过相机拍摄工业图像,使用深度学习算法判断图像中是否存在缺陷,并统计缺陷类型及位置信息,实现工业图像的实时分类与检测,在输出控制部分引入机器人技术,通过机械臂将有缺陷的工业品进行分拣,从而提高产品质量。(2)提出基于GAN和Faster R-CNN的工业图像分类与检测算法。针对工业图像采集过程中存在缺陷样本分布不均,数量匮乏和类型单一等问题,首先通过GAN提取缺陷的潜在特征和概率分布,并对数据样本进行扩充;然后根据候选框生成算法提取缺陷轮廓,深度卷积神经网络学习其区域和边缘特征;最后利用非极大值抑制算法调整优化缺陷位置,Softmax分类器判断缺陷类别。在工业图像数据集上进行验证,平均准确率能够达到94.93%。(3)针对工业图像分类与检测实时性问题,采用YOLOv2模型对工业图像进行分类与检测。YOLOv2算法引入局部权值共享机制来提升网络的定位性能,同时参考了全卷积神经网络、知识提取等前沿算法,采用一体化检测方案直接从原图上提取缺陷的边缘特征,从而使工业图像处理的计算量大幅度减少,成功地提升了分类与检测算法的实时性。实验表明,YOLOv2目标检测网络能够在工业图像数据集上取得良好的检测效果,分类与检测的平均准确率达到98.18%左右,同时能满足工业现场的实时性要求。本文图43幅,表12个,参考文献62篇。