弧形机壳表面缺陷检测,由于其弧面特性难以成像,背景变化较大,缺陷特征复杂,在工业检测领域是一项极具挑战的技术。目前手机弧面缺陷检测在流水线上仍是采用人工质检员进行检测的方式,人工检测缺点很明显:鲁棒性差,客观性差,存在人员疲劳问题,检测结果无法形成有效数据集供后续分析。为促进工业制造的自动化和智能化,针对人工质检的缺点,本文基于图像处理、机壳分割、深度学习等方式对弧面边框缺陷智能检测系统进行研究,致力于促进质检流程智能化、数字化的落地。首先,为解决通用检测算法对机壳外部缺陷无法排除的问题,且作为机壳缺陷位置、面积计算与后续数字化分析不可或缺的步骤,本文先对检测区域定位问题进行研究。先以图像分割的角度,从传统图像处理和基于深度学习的方法进行研究,分析其存在的问题,然后提出使用贝塞尔曲线对机壳模型进行描述的方法,并在此基础上提出了基于滑动窗口的贝塞尔曲线拟合算法和基于深度学习的拟合算法,从而有效地解决了检测区域定位、分割问题,并通过实验表明了算法的有效性。在检测区域定位、分割研究的基础上,本文将基于通用目标检测的方法Faster RCNN应用于缺陷检测中,将锚框生成、缺陷分类两个阶段的步骤通过卷积神经网络实现,实现了端到端的缺陷检测,准确率为81.2%,召回率为75.8%。然后在此基础上,基于机壳表面缺陷自身的特点,从特征融合、正负样本均衡与训练策略优化、损失函数改进、基于循环生成对抗网络和图像形变的数据增广、锚框尺寸设计几个方面进行改进,并基于机壳模型分割算法将缺陷检测与贝塞尔曲线分割结果结合,基于缺陷与贝塞尔曲线分割结果的位置关系预测多个分支的二分类结果,从而获得缺陷特征更一致的类别预测。此外还引入了基于贝塞尔曲线分割的缺陷后处理步骤排除了机壳外部的误检测,提出了完整的机壳表面缺陷检测算法,准确率达到了93.0%,召回率达到了99.1%。相较于原始算法,误检率降低为原本的40%,漏检率降低为原本的4%。最后本文整合机壳分割算法、机壳表面缺陷检测算法,开发、设计了完整的智能化质检系统。通过C/S架构,将算法部署在服务端上,提高了计算资源的利用率;在客户端上实现对硬件成像的控制与检测结果分析。通过客户端、服务端解耦的设计除了能提高计算资源的利用率,系统的扩展性也得到增强。