在产品的制造过程中,不可避免地会产生缺陷,这些缺陷不仅会使产品的使用性能下降,严重的甚至会导致安全隐患。随着用户和生产企业对产品的质量要求越来越高,对产品进行在线缺陷检测成为了一个很重要的环节。利用机器视觉检测缺陷是实现设备智能化的有效手段。在实际工业生产中,由于产品表面缺陷种类繁多、形状多样,传统的机器视觉图像处理方法对缺陷特征难以准确的描述,提取缺陷特征的有效性低,导致缺陷检测及分类的正确率难以满足工业需求。深度学习是一种让计算机自动学习出模式特征的方法,其将特征学习融入到了建立模型的过程中,减少了人为设计特征造成的不完备性。因此,本文利用深度学习方法对偏光片产品缺陷进行检测及分类,设计了深度学习图像分类网络,提高了缺陷分类的正确率。但是,深度学习网络模型的复杂化易导致算法的时间复杂度的急剧提升和计算资源开销过大等问题,结合工业生产中偏光片缺陷检测的实时性要求,提出了深度学习模型压缩网络,在保证缺陷分类正确率的前提下,有效降低了模型运行对硬件环境的依赖性,提高了在线学习的快速性、满足了在线检测的实时性。论文的主要研究内容及创新性工作总结如下:(1)针对经典的深度学习分类网络Alex Net中传统卷积层提取缺陷特征能力有限及全连接层参数量巨大的问题,本文提出了基于多层卷积模块的深度学习分类网络。一是用多层卷积模块代替Alex Net网络中的传统卷积层,实现了跨通道的特征融合,丰富了提取到的缺陷特征,提高了网络的表达能力。二是用全局均值池化层代替了Alex Net网络中的全连接层,极大地减少了网络的参数量,防止了过拟合现象的发生。实验结果显示,本文构建的基于多层卷积模块的深度学习分类网络总的参数量比Alex Net减少了一个数量级,进行偏光片图像缺陷检测时其分类正确率比Alex Net提高了2.4%。(2)针对工业应用的实时性要求,本文提出了基于并行模块的模型压缩网络。主要是将不同尺寸卷积核的卷积层相混合来构建并行模块,提高了模块提取缺陷特征的能力,然后利用深度可分离卷积代替并行模块中的3×3的传统卷积,减少了网络的参数量及计算量。实验结果显示,利用并行模块构建的模型压缩网络进行偏光片缺陷检测时,其分类正确率比Mobile Net提高了0.5%,分类速度提高了45.4%,网络总的参数量和乘法累加运算量均比Mobile Net减少了两个数量级,最终的模型大小比Mobile Net缩小了95.78%。(3)为了更进一步地压缩深度学习网络,本文提出了高效的轻量级模型压缩网络。第一、在并行模块的每一个卷积层之后都添加批量归一化层形成了并行归一化模块,加快了网络训练时的收敛速度,避免了网络反向传播时梯度消失问题的发生。第二、将并行归一化模块中的3×3深度卷积空间拆分为1×3+3×1的深度卷积构成了并行非对称卷积模块,既增加了网络提取缺陷特征的能力,又减少了网络的参数量和计算量。实验结果显示,利用前述两种模块构建成的高效的轻量级模型压缩网络进行偏光片缺陷在线检测时,无论是分类正确率、分类速度还是模型占用的内存方面均优于经典的模型压缩网络Squeeze Net和Mobile Net。(4)针对所设计的高效的轻量级模型压缩网络,研究了网络中模块的参数优化组合问题,得到了一组最优的参数组合构成了最终的缺陷检测网络DDN。实验结果显示,经过优化后的DDN网络在对偏光片进行在线缺陷检测及分类时,虽然单张图片的分类时间较未经参数优化的网络的分类时间变化不大,但是其分类精度提高了0.1%,模型大小减小了44.9%。(5)开发了缺陷自动实时检测系统,设计了人机交互界面,对硬件平台中的核心部件进行了分析与选型。开发的系统实现了偏光片缺陷图像自动快速识别,人机界面友好,实现了缺陷检测结果的存储与查询。