金属表面缺陷检测是制造业生产过程中保证产品质量的重要环节,汽车轮毂生产过程中,快速、准确的识别轮毂表面外观缺陷对于提高生产效率,保证产品质量具有重要作用。汽车轮毂作为金属铝制材质,具有高反光、背景复杂等特性,对表面缺陷自动化检测具有较大的影响。本文利用深度学习目标检测算法对轮毂表面进行缺陷检测,在数据处理阶段,采用生成对抗网络对轮毂表面进行高光去除,增强了缺陷特征;在缺陷检测阶段,优化了 RefineDet网络结构,在轮毂非高光数据集和混合数据集进行了实验,提升了检测效果。本文的主要研究工作如下:1、建立轮毂表面缺陷数据集。根据国内某轮毂制造厂商外观检测标准,将轮毂表面常见缺陷分为缺陷点、划痕、斑块三类。通过数据清洗、人工标注,筛选出符合实际的缺陷数据,基于此进行表面缺陷检测算法实验。2、轮毂表面高光去除方法研究。对比研究了单视点多项式调校、多视点特征匹配及生成对抗网络方法对轮毂表面高光去除的优缺点,并采用多尺度网络结构对图像质量进行提升。分别通过定性、定量方法分析高光去除的效果,为轮毂表面缺陷检测提供可靠的数据样本。3、非高光数据集的轮毂表面缺陷检测实验。通过对非高光数据集的大量开源实验,分析了二阶检测网络Faster-RCNN、一阶检测网络SSD以及RefineDet检测网络的优缺点,通过对比生成对抗网络生成的非高光数据和实际数据缺陷检测效果,证明了高光去除后的数据具有较好可行性。4、混合数据集的轮毂表面缺陷检测实验。为尽可能模拟实际生产线图像采集情况,研究中采用了非高光数据集和高光数据集组成的混合数据集进行实验。通过增加残差块宽度,优化了 RefineDet基础网络,并针对重叠检测框的遮挡问题对非极大值抑制(Non-Maximum Suppression,NMS)方法进行改进,在不增加网络参数复杂度的前提下提升了缺陷检测效果。