氧化铝陶瓷片是军工领域中爆炸箔的重要功能器件,其工作可靠性具有十分重要的意义。由于陶瓷材料本身的结合方式会导致韧性较差,加之后续工艺可能会涉及到的机械冲击、酸碱腐蚀、温度冲击等一系列复杂加工流程,会使氧化铝陶瓷片面临如高强度、脆性大、均匀性差等可能对其工作性能造成影响的问题。为了提高以氧化铝陶瓷片作为关键组成的军工器件的可靠性,需要对成型氧化铝陶瓷片进行加工工艺质量检测。由于氧化铝陶瓷片加工工艺流程繁多且复杂,难以依靠单一工序质量检测对氧化铝陶瓷片的成型质量进行评估。所以,通过采用对成型的氧化铝陶瓷片表面缺陷（主要是表面划痕）进行检测以评估复杂工艺过程的综合加工质量。目前对氧化铝陶瓷片表面划痕检测通常先用扫描电镜或光学显微镜检测获取被测陶瓷片表面成像图片,然后采用人工读图的方式进行划痕识别与检测。由于氧化铝陶瓷片的尺寸通常为10-20 mm,划痕缺陷通常为5μm以上数量级,导致单一氧化铝陶瓷片的人工读图过程工作量大且难以保证较高的一致性。本论文的主要工作是研制了基于深度学习的氧化铝陶瓷片表面划痕检测系统,实现氧化铝陶瓷片表面划痕检测的自动化、高效化和智能化。（1）设计并研制了氧化铝陶瓷片划痕检测的图像采集系统。根据待测氧化铝陶瓷片的尺寸以及表面划痕检测的要求,对图像采集系统进行了设计与研制,包括光学系统部分和机械运动部分。通过该模块的搭建,能够在运动状态下实时采集到符合检测精度要求的氧化铝陶瓷片表面图像,从而能够进一步输入后续上位机软件进行划痕检测图像处理。（2）研究了基于深度学习的氧化铝陶瓷片划痕检测方法。从卷积神经网络出发,分别研究了目标检测领域的两阶段算法Faster RCNN和单阶段算法SSD网络及SSD＿Mobilenet网络,针对本课题所研究的氧化铝陶瓷片,通过预制划痕及数据增广的方法制作了训练数据集。利用相同的数据集分别建立Faster R-CNN、SSD＿VGG16以及SSD＿Mobilenet划痕检测模型,对比了三者的检测速度、均值平均精度以及检测准确率,结果显示单阶段的检测算法SSD＿VGG16以及SSD＿Mobilenet在检测速度和精度方面均要优于两阶段算法Faster R-CNN,且SSD＿VGG16在精度及准确率方面略高于SSD＿Mobilenet,但检测速度有所下降。（3）开发了氧化铝陶瓷片划痕检测的上位机软件系统。通过LabVIEW图形化的开发平台,将深度学习网络的训练、检测以及运动平台的控制结合为一体。通过四大关键模块:算法设置模块、功能操作模块、实时采集模块以及检测观察模块的设计,方便操作者对划痕检测结果的实时观察以及更换数据及后模型的训练,具有良好的人机交互界面及良好的可扩展性和灵活性。在所搭建的系统上进行了氧化铝陶瓷片表面划痕的实时检测效果验证,结果表明该系统具有良好的划痕检测能力,能够满足工业中的检测要求。