随着近年来电子产品设备的超高速迭代更新,智能设备对屏幕液晶面板的要求越来越高,液晶面板的缺陷检测是影响屏幕质量的重要环节。目前的面板缺陷检测主要依靠两种方式:一种是人工加放大镜肉眼判断,十分依赖于工人经验并且人力成本的浪费比较严重;另一种是使用传统的计算机视觉与机器学习相结合的方法,两种方法检测效率都比较低下,不能满足工厂对缺陷检测实时性的要求,且目前缺陷种类随着面板加工工艺的复杂化变得更多样,传统方法也无法满足缺陷检测的精度要求。因此,本文以某面板生产工厂实际生产中的缺陷数据为研究对象,设计了基于深度学习技术的液晶面板两种缺陷检测算法,旨在提高液晶面板缺陷的检出效率与检测精度。本文首先分析了AMOLED面板缺陷检测相关理论技术,结合采集到的图像数据,使用翻转、裁剪、随机缺陷生成等方法对数据集进行扩充,基于此对数据集进行预处理,使用LabelImg工具对采集图像进行缺陷类型与缺陷位置的标定,并进标签数据转换为可用形式。利用模型迁移方法固定深度卷积网络的部分参数,抽取小样本数据对本实验中Faster RCNN算法与RetinaNet算法进行可行性分析验证其收敛性。其次设计Faster RCNN算法在不同处理条件下的对比实验,利用ROI Align算法对Faster RCNN候选区域提取部分的ROI Pooling算法进行重写,结合FPN网络结构与RetinaNet模型进行对比,在本实验环境中,虽然Faster RCNN算法运行效率低于RetinaNet,但检测精度比RetinaNet高出约10%,但两者的缺陷检测均高出目前行业的平均水平许多。最后,考虑到本实验在实际生产场景中的应用,对模型进行剪枝、权重共享与量化的轻量化研究,在保持原网络训练精度的基础上,将网络参数占用内存缩小近8倍。本文实验结果表明,利用深度学习方法对液晶面板进行缺陷检测,不仅能够降低人工检测的经验误差,而且避免了传统视觉方法中复杂的特征构建,通过one stage与two stage方法的对比,对Faster RCNN算法进行优化,并研究轻量化方法对模型进行压缩,从而保证模型能够在移动端应用,提高实际生产效率。