在当今社会生产过程中,各种类型的工件被广泛应用于汽车工业、航空航天等领域。工件缺陷检测是保证工件生产质量的重要一环,解决这一难题能有效地提高工件生产效率。随着计算机硬件和检测算法的发展,工件缺陷检测由最初的人工目测逐渐被机器视觉检测所代替,其基本思想是通过比对待检测工件和标准工件的图像,从而获取缺陷的位置,而后对缺陷进行特征提取,最后设计分类器对缺陷类型进行识别。然而,由于工件形式多样,缺陷类型种类不一,特征提取是这类方法面临的主要难题,所以目前工业的检测算法缺乏一定的普适性。针对这一亟待解决的工程问题,本文研究基于深度学习的工件缺陷检测方法,主要工作内容如下:(1)研究了工件缺陷图像样本扩充和预处理方法,针对样本数量不足,采用传统图像方法和生成对抗网络相结合的方式对样本进行扩充。再选用拉普拉斯锐化和同态滤波算法对图像进行预处理,并根据熵、标准差、灰度均值和平均梯度对预处理效果进行评判。对处理后的图像进行人工标注,制作并完成了VOC2007格式数据集。(2)针对复杂的工件缺陷,本文选用Faster-RCNN网络模型对工件缺陷进行识别和定位。并利用制作好的纹理缺陷数据集对卷积神经网络中ZFNet、VGG-16、ResNet-50等基本网络模型进行验证和分析。确定了ResNet-50+Faster-RCNN的网络模型。鉴于卷积网络中深层次特征具有一定的抽象性,感受野比较大,是一种全局信息,在经过多层卷积操作后,丢失了许多细节信息,本文采取一种多层次特征融合的方法生成新的特征,实验证明新特征具备更强的特征表示能力。(3)为了验证本文算法模型的普适性,利用迁移学习方案对热轧带钢表面缺陷数据集进行识别,结果表明在此类工件缺陷上,本文模型仍具备较高的检测率。但是由于热轧带钢缺陷大小不一,固定的锚框设定方案导致模型收敛速度过慢且定位出现较大的偏差。为此,采用K-means++聚类方法对RPN网络中锚框参数选取进行优化,并对优化前后的模型进行比较分析,证实了优化方法具有加快模型收敛、提高定位精确度的优势。(4)最后,基于Pycharm开发平台、PyQt5.12以及MySQL数据库,搭建了工件缺陷检测平台,并在检测平台上对提出的模型进行了测试和分析。结果表明,本文采用的模型在各类缺陷识别的准确率可达90%以上,包围框和标记框重合率可达50%以上,符合工程应用的需求。