电容器表面缺陷,对电容器的产品质量与后续生产环节的进行有着极大的影响,为保证电容器的生产质量,对其进行表面缺陷检测极为必要。对于电容表面缺陷的检测,人工检测的方法由于其效率低,消耗大量劳动力成本等缺点,使得许多电容器生产厂家不再采用。基于图像处理的传统视觉检测方法由于其特征提取算法的局限性,导致这种方法的检测效果与实际的检测需求有着一定差距。针对上述两种检测方法的不足,本文基于深度学习对电容表面缺陷检测方法进行研究,实现了对电容表面缺陷的高精度检测。本文主要研究内容为基于深度学习的电容表面缺陷检测算法研究,围绕这一主题,主要完成了以下工作:（1）构建电容表面缺陷数据集。针对厂家的电容生产质量实际检测需求,本文的检测对象为钽电解电容表面缺陷,通过对生产厂家所提供具有表面缺陷的电容进行图像采集,得到了4988张原始图像。并使用数据增广手段对原始图像进行扩充来达到以下三个目的:1)获得较为充足的数据集样本;2)避免缺陷样本不均衡所导致训练不充分而带来的模型检测效果差的问题;3)丰富图像背景信息使得检测网络尽可能的从复杂环境下进行缺陷特征的学习,以此提升模型的鲁棒性。采用标注软件Label Img对数据增广后得到的9600张图像进行标注,得到电容表面缺陷数据集。（2）建立电容表面缺陷检测模型。针对电容表面缺陷的检测,选择了Faster R-CNN、Efficient Det、YOLOv3、YOLOv4、YOLOv5这五种检测算法模型,共搭建了八个检测网络模型（其中YOLOv5有四种版本）。在电容表面缺陷数据集上,分别进行了这八个检测网络的对比实验,并根据实验结果,以及本课题的评价指标,选择了YOLOv5l作为电容表面缺陷检测的基准模型。（3）提出一种基于改进YOLOv5l的电容表面缺陷检测模型。由于本课题评价指标中,检测精度优先级大于检测速度,所以将检测精度得到提升并且检测速度没有明显下降的情况视为改进。基于以上前提,本文对YOLOv5l进行了四种改进,分别是:1)将YOLOv5中的3×3卷积和BN结构替换为RepVGG Block,以获得高性能的卷积架构;2)在Backbone的最后一层和检测层使用Transformer Encoder Block,以此获得更加丰富的上下文信息和背景信息;3)添加了一个由浅层特征图与深层特征图上采样融合的检测层,以提升对点状污染这类微小物体的检测能力;4)在检测网络中嵌入了注意力机制模块,通过权重的分配来提升模型的表征能力。在通过对比实验来对上述四种改进的有效性进行验证之后,将这四种改进融合,得到检测算法模型YOLOv5l＿RTHC。实验结果表明,YOLOv5l＿RTHC对电容表面缺陷的检测精度为90.4%,较基准模型提高了4.9%,其中对点状污染这类缺陷的检测效果提升较为明显。最后,搭建了电容表面缺陷检测实验性系统,使电容表面缺陷检测工作具备系统性,为电容表面缺陷检测工作的自动化提供了一定的技术基础。本文提出的检测算法模型提高了电容表面缺陷的检测精度,对于行业内表面缺陷检测方法提供了有益的理论基础,具备一定的参考价值。同时,将基于深度学习的方法应用于工业生产智能检测中,具备广阔的市场前景,为智能制造提供了应用方向,也为“中国制造2025”强国战略作出了一定的贡献。