随着生活物质水平的提高,人们对生活产品的要求也越来越高,不仅要求产品本身质量过关,还希望产品外观美观好看,这促使各大生产企业不得不对产品各方面进行严控把关,产品表面缺陷的检测尤为重要。这给产品表面缺陷检测带来很大的发展机遇。传统的表面缺陷检测方法是人工肉眼识别,该方法耗费企业大量人力和物力资源。随着人工智能的快速发展,深度神经网络逐渐被应用于产品表面缺陷检测,给传统人工检测方法中存在的漏检率高、工作效率低、企业生产成本高等问题带来新的解决方案。本文基于小样本表面缺陷数据集,使用卷积神经网络设计了以下两种检测模型:1、基于深度卷积神经网络Dense Net的表面缺陷检测为了提高网络模型检测效果,本文对该网络结构作了两个改进:(1)在网络中加入了编码-解码的结构,使得网络模型输出层输出对应输入缺陷图像的检测结果图,而不仅仅只是输出分类概率值。(2)增加网络卷积核的个数,扩大网络模型特征提取的感受野大小,使得网络特征学习能力得以提升。2、基于语义分割网络UNet的表面缺陷检测由于数据样本较小,本文采用图像翻转和图像旋转的数据增强方法来扩充数据量,以此增强网络模型的鲁棒性。此外在UNet网络模型基础上作了两个改进:(1)在UNet网络基础上加入批标准化层BN,BN层加在卷积层之后激励层之前。BN可以平衡神经网络训练数据的分布、加快网络收敛速度和提高网络模型的泛化能力。(2)在UNet网络下采样过程中加入3,5,7不同个数相同结构的残差模块,残差结构不仅可以解决网络深度过深引起的网络退化和梯度弥散问题,还能使网络提取的特征信息更全面,进而提升表面缺陷检测精度。本文实验在Kolektor表面裂纹缺陷数据集上进行验证。实验结果表明,本文构建的基于Dense Net网络表面缺陷检测算法在增加网络卷积核个数后,模型检测准确度达到了89.3%,F1值比原始网络Dense Net提高2.3%,F1值比VGGNet模型高1.2%,说明改进后的网络模型有效。此外,基于UNet语义分割网络的表面缺陷检测算法在加入BN层后召回率指标达到82.3%,而UNet网络模型检测结果最高为67.8%,说明BN层可有效提高模型健壮性;在此基础上加入残差模块后模型召回率都高于90%,说明加入残差结构可有效提高模型检测精度,结果表明加5个残差块的分割网络模型检测效果最好,模型召回率达到了95.2%,说明只有适当加深网络层次才能达到最佳检测效果。综上所述,基于Kolektor表面裂纹缺陷数据集,本文提出的两种不同卷积神经网络表面缺陷检测算法都有较好的检测效果。