拉链作为日常生活中的重要组成部分,给人们带来了极大的便利。在拉链生成过程中由于设备和人工原因常常出现链齿、上下止缺失等缺陷,同时又由于企业多、分工不明确、产品和劳动力资源紧缺等原因,滞后了拉链行业的发展,使拉链产业一直游离在中低端市场。传统的拉链产品检测和分类方法主要是卡尺和人工目测,该方法效率低、误判率和成本高,不能保证拉链检测和分类的可靠性。这种方法不能达到工业化实际生产的要求。传统方法对复杂背景下的拉链缺陷进行分类,存在一定的困难。生产过程中流水线情况,光照问题,光源类型,相机类型,拉链的重叠,形变,污迹等造成拉链缺陷图像存在分辨率低,背景对比模糊,失焦,扰动过多等问题,对拉链的检测和分类都产生了很大的影响。深度学习作为机器学习的一个分支,可以对大规模图像进行分类,其表现可以与人类匹敌甚至超过人类,使得它在分类上有巨大的应用空间。目前还没有相关的研究运用深度学习的方法对拉链缺陷进行检测和分类。本文把深度学习应用到拉链缺陷的多任务分类中,以提高缺陷分类的效率和准确率,降低劳动强度,减少劳动成本。本文的创新点有:1)使用AlexNet模型并改进它得到了改进版的AlexNet+模型。AlexNet+模型增加了BatchNorm操作减少了数据间的相对差异性,同时又对拉链缺陷图像做了平滑操作,加快训练速度的同时提高了网络泛化能力。实验证明AlexNet+在拉链缺陷多任务分类中比经典AlexNet损失率低,平均分类精度提高了3.5%。2)使用VGGNet模型并改进它得到了改进版的VGGNet+模型。VGGNet+模型舍弃了一层全连接层并且增加了丢弃法和批量归一化操作,使输入在每层分布平衡,具有更强的鲁棒特性。VGGNet+模型分类效果优于VGGNet,识别稳定度高,平均分类精度提高了4.4%3)使用ResNet模型并改进它得到了改进版的ResNet+模型。ResNet+模型使用了小卷积核提取拉链缺陷更多的相关信息,减少拉链缺陷间的干扰,全局平均池化操作减少了全连接层的参数数量,可以更好的提取拉链的缺陷。ResNet+在这些分类模型中具有最高的分类精度,平均分类精度比经典ResNet网络高出4.5%。为常规值时ResNet+网络平均分类精度达到了92.7%,值为凸面型时达到了94.6%。总之,提出的三种改进版模型都比原模型有更高的分类精度,其中ResNet+模型能用于实际生产中拉链缺陷数据集中的拉链缺陷种类、拉片位置、拉头位置和拉链位置角度的多任务分类,探究了深度学习对拉链缺陷的多任务分类研究。