在工业视觉应用的缺陷检测中,工件图像的采集质量极大的影响着检测模型的精度。由于缺陷产生的随机性,工件表面的缺陷总是很难保持在一个高度层面。而在图像拍摄过程中,由于相机景深有限,处在相机景深范围内的物体可以在图像中清晰成像,而超出相机景深范围的物体只能在图像中模糊成像。为此,现有图像采集装置很难直接采集到完整的工件缺陷。而无法获取全部物体的清晰成像对后续图像检测、识别造成了极大的影响。因此构建基于图像融合的计算机辅助检测系统可以弥补因硬件系统限制而造成的检测误差,提高系统的检测准确率。本文基于深度卷积网络,从多焦点图像融合及检测应用两个方面进行研究。本文的主要研究工作如下:(1)本文通过改进编解码网络,提出具有像素矫正模块的多焦点图像融合网络。首先在编解码网络之中引入像素矫正模块,通过使用横向连接将编码网络中低层图像空间位置特征与解码网络中的高层图像语义特征相融合,消除解码时产生的像素误差。然后引入结构相似性损失函数,减小融合图像在结构信息上的损失。最后,考虑到现有多焦点图像数据集的稀少以及深度神经网络需要大量训练数据,使用精细标注的图像分割数据集制作训练数据集,进一步提升融合精度。与现有几种优秀融合方法相比,该方法融合质量较好,对细节保留更加令人满意。(2)利用多焦点图像融合解决实际问题。在实际工业车间中的刀具豁口检测任务中,针对现有图像采集系统无法完整获取待测刀具表面完整信息的问题,引入实时性更好的多焦点图像融合方法获取更完整的刀具豁口显微信息。对于大型豁口无法被单张图像所获取的情况,利用基于包络线的图像拼接方法较好的将大型豁口通过一张拼接图像所显示。最后,根据图像包络线去拟合出一条刀具原始边缘线,与实际包络线结合完成豁口的精确检测。实验结果表明,该方法对无法完整拍摄清晰的刀具豁口有较好的识别效果。