产品缺陷检测是产品质量管控的重要环节,印刷电路板（Printed Circuit Board,PCB）和纺织布缺陷检测具有待检测区域表面积大、背景复杂的特点,在实际检测中需要克服缺陷区域占比小、与背景对比度低的检测难点。当前行业中主要采用的检测手段有人工检测和基于机器视觉技术的检测。人工检测存在效率低、主观误差大的问题;基于机器视觉可根据检测对象的尺寸形状特点灵活搭建检测平台、提高检测效率并实现自动智能识别。2012年以来深度学习（Deep Learning,DL）快速发展。相对传统机器视觉算法,DL无需手工设计特征模型,能从大量输入图像中自学习并分层提取图像特征,识别效率和精度高,且模型的适应迁移能力及泛化性较强,基于DL的目标识别方法是当前机器视觉研究热点和前沿。本研究将结合PCB和纺织布的特点尝试不同的DL识别机制,以期为工厂搭建自动化缺陷检测系统提供新方法。具体研究工作如下:第一,PCB具有表面缺陷类型多样、出现的位置以及形状大小随机性强、缺陷面积普遍较小等特点。PCB生产企业常用的自动光学检测（Automated Optical Inspection,AOI）系统主要以编程设定好的标准为基准判断缺陷,自适应扩展能力相对较差;且成套系统价格昂贵,核心算法和技术主要被国外掌握。在此设计了一种基于改进的NAS-FPN（Neural Architecture Search and Feature Pyramid Network）DL模型的缺陷检测方法,旨在为AOI设备图像处理软件开发提供理论支撑。本研究采集了8类PCB表面缺陷,并通过数据扩增技术构建了由31348张512×512像素图像构成的PCB表面缺陷图像数据集。引入具有神经结构搜索功能的NAS-FPN,此网络在一个覆盖所有交叉尺度连接的可扩展搜索空间中,采用神经网络结构搜索,发现一种最好的FPN结构,并将其取代检测器（Faster R-CNN）中的特征提取器以生成更高质量的金字塔特征图。实验结果表明,采用Resnet＿101为骨干网络,与经典的Faster R-CNN、YOLO、Faster R-CNN+FPN相比,在PCB表面缺陷检测任务上检测平均准确率分别提升18.76%、10.79%、9.94%,识别速率为0.076s。第二,纺织布表面缺陷具有背景复杂、与背景对比度低、语义信息弱等特点。当前基于机器视觉的纺织布表面缺陷检测技术常依赖于具体的任务以及人工设计的特征,局限性较大,无法广泛应用于各类纺织布缺陷的检测。在此提出了一种基于改进的Faster R-CNN的模型,为机器视觉检测设备上的缺陷识别模块提供新的图像分析方法。本研究对企业提供的图像数据进行扩增后,构建了由17类共13400张512×512像素图像构成的纺织布表面缺陷图像数据集。在Faster R-CNN模型中使用共享卷积层的RPN和Resnet50以确定纺织布图像中缺陷候选区域和对候选区域进行分类和回归。测试结果表明,在Resnet50网络结构的最后一层引入Dropout,并在全连接层用SeLU激活函数替代ReLU激活函数,与经典的Faster R-CNN相比,在纺织布表面缺陷图像测试集上检测平均准确率提升5.9%,每秒可以检测9张图像。实验证明,两种模型针对以上PCB和纺织布表面缺陷进行检测时均表现出较好的准确性和实时性。最后,本文对PCB和纺织布在线检测系统的工作机制分别从硬件和软件系统设计方面进行阐述。