注塑制品具有质量轻、形状多样、制造方便的特点,目前已在航空航天、高铁、通讯、新能源、物流等领域得到广泛的应用,在工业生产中占有重要的地位。注塑制品表面受到模具、原材料特性等多方面因素的影响,并与加工环境、制品冷却时间、后处理工艺密切相关,易产生各种缺陷,严重影响制品质量;其特征可以反映注塑制品的质量。注塑制品的表面缺陷形成机理复杂,且表现形式多样,难以量化,表面质量检测一直以来都是一个难题。由于基于机器视觉的表面缺陷检测技术是一种直观的、非接触式的质量检测方法,能够高效、自动地实现检测目标。因此,针对注塑制品表面质量的机器视觉识别的研究具有重要意义。本文针对注塑制品表面质量问题,对制品表面缺陷的分类识别、制品表面质量与加工工艺参数的映射方法进行了研究,提出了基于迁移学习的表面缺陷分类识别方法,并实现了缺陷分类识别和工艺参数映射的实例。论文的主要内容如下:第一章概述了注塑制品表面质量分析的建模方法,制品质量与工艺参数的映射方法、制品表面缺陷的视觉检测方法的研究现状,阐述了现有方法的不足,提出了本文的研究内容,给出了论文的组织架构。第二章研究了注塑制品表面缺陷的特征,基于BP神经网络构建了注塑制品表面质量与工艺参数之间的匹配模型,来解决制品质量与工艺参数的映射问题。采用高斯混合模型拟合主要工艺参数的分布,提出了基于工艺参数历史曲线的梯度幅值来更新工艺参数的方法。第三章研究了基于深度迁移学习的注塑制品表面缺陷识别技术。阐述了迁移学习的理论基础及其在图像识别上的应用,通过概率近似正确学习理论以及VC维(Vapnik-Chervonenkis dimension)的方法,分析了利用两个相似领域之间的数据特征进行迁移学习的误差边界。提出了基于迁移学习的塑料制品表面缺陷分类识别方法,解决卷积神经网络(Convolutional Neural Network,CNN)模型对训练数据需求大的问题。第四章研究了迁移学习过程中出现的负迁移效应,提出了基于多中间域的过渡式迁移学习方法来解决负迁移问题。针对制品表面缺陷特征的稀疏特性,采用简化的梯度方向直方图(Histogram of Oriented Gradient,HOG)特征对表面缺陷进行描述;基于该特征,采用双重聚类的方法将源域的训练划分成若干个中间域,从而完成传递式的迁移学习任务。第五章阐述了注塑制品表面缺陷识别以及制品质量与工艺参数的映射实例。验证了缺陷分类的直接迁移学习和多领域迁移学习的试验效果。确定了缺陷与工艺参数的映射模型结构。第六章总结了论文的研究内容,并对课题进一步的研究方向进行了展望。