随着经济与科技水平迅猛发展,社会对工业生产的要求日益提高。现今面临生产工件成本高、合格率低、技术薄弱、关键工件供不应求等问题,制约了现代工业的发展。此外,由于制造工艺、锻造技术等问题,导致车间生产的部分工件存在缺陷,影响工件的观赏价值和使用价值。而目前的工件缺陷检测仍以人工检测为主,耗费人力资源且检测错误率高。为解决以上问题,通过深度学习改进工件缺陷检测方法,降低工件制作成本。本文提出一种基于改进Faster R-CNN的缺陷检测算法,该算法选取Faster R-CNN作为基本架构,采用轻量级网络Res Net50作为主干网络,并引入可变形卷积、可变形区域池化、特征金字塔和上下文信息,来提高缺陷检测算法的准确率。通过在公开数据集上训练模型,并于YOLO、Faster R-CNN、Mask RCNN等模型训练结果进行对比后发现,改进后的模型效果最佳,其m AP为97.10,单张图片的检测速度为0.692秒,能满足工业生产的需要。最后,本文利用CCD照相机、处理器等简易设备,设计自动化的工件缺陷检测装置,从而解放人力资源,降低生产成本。本文的研究内容如下:(1)首先,由于工厂车间光线不足且粉尘较多等现象,导致采集的工件图像存在大量噪音,影响后期缺陷检测模型的准确率。为解决这一问题,采取两种降噪措施:一种是通过图像滤波方式,对噪音进行过滤,主要尝试了中值滤波、均值滤波、自适应滤波和双边滤波,另一种是通过暗通道去雾方式,进行图像增强。(2)其次,考虑到缺陷形状不规则,常规的卷积神经网络无法准确提取到不规则特征,因此引入可变形卷积与可变形区域池化。这两种操作都在运算过程中通过自动计算每个像素点的位移变量,寻找到最适合提取特征的位置,从而改变感受野范围,使其变为多边形,增强提取不规则特征的能力。(3)再者,不同缺陷类别的尺寸大小不一,而且通过主干网络Res Net50提取特征后,特征图大小与原图相比缩小较多,过小的候选框提取到的特征不具有判别能力,会影响缺陷检测模型的性能。因此引入特征金字塔结构,将低层结构信息与高层语义信息相结合,提高检测类别与定位的准确率。(4)此外,部分缺陷面积较小,提取特征难度较高,本文引入上下文信息,利用结构间的信息来更好的提取微小缺陷特征。通过扩大RPN输出的候选区域面积,增加Ro I Pooling层将扩大后的区域映射到对应特征图中,随后将扩大后的Ro I Feature和原来的Ro I Feature进行特征融合,最后再进行分类回归操作。