随着工业生产对产品检测系统的需求和要求越来越高,目前市面上出现了许多智能化工业检测系统,应用在不同的领域。其中基于产品表面图像分类的瑕疵检测是如今比较多的一个应用场景。如何设计一个检测效果好、稳定性高、释放人力的智能化检测系统成为当前工业生产领域的一个热点。对产品表面瑕疵的检测,传统方法是依靠人工目测检查的方式,一些企业和科研机构也利用模式识别原理提出或设计出依靠机器的瑕疵检测系统,相比传统依靠人工目测或触觉进行检测,用机器代替人工检测释放了人力,解决了人在生产线上做简单重复性工作的问题,不过这些系统依然存在一些不足:(1)用模式识别的方法进行瑕疵检测的可靠性不能达到人们的预期,不合格产品的样式往往多种多样,这些检测机器只能检测出部分不合格产品。(2)对于不同的待检产品,传统检测系统需要人工抓取不同产品的特征,设计对应的检测方法,移植成本高,后期维护成本巨大。(3)操作体验不好,传统检测系统缺少一个可视化的统一管理平台,不能方便查看检测的实时情况。为了解决上述存在的问题,设计出检测效果好、系统移植性好、方便管理操作的智能检测系统,本文基于深度学习中的卷积神经网络算法做了如下几点工作。(1)分析了在检测中可能会处理的图像数据特点,采用卷积神经网络模型,优化其中的激活函数,自动提取产品图像的特征,使得模型在图像分类这一应用中性能进一步提升,达到工业生产中的检测要求。(2)采用的基于卷积神经网络的图像分类模型,不需要针对不同的产品进行人工特征提取,只需要拍摄获取相关产品的图像对模型进行训练,程序调用模型时会自动提取出图像的特征,整个训练过程不需要人工参与,既提高了算法的应用灵活性,又降低了系统后期的维护成本。(3)实现智能检测系统平台,该平台集模型管理、文件管理、设备配置和数据分析于一体,在有效进行产品检测的同时,提高了生产者对产品质量的监控力度,同时又验证了研究成果的有效性。