缺陷检测在工业应用中是一项非常重要的环节。近几年基于机器视觉的缺陷检测算法主要是借鉴各种深度神经网络,直接对表面图像进行缺陷检测。但在实际应用中,尤其是机器巡检中的缺陷检测,会存在动态背景干扰、直接检测速度慢、训练模型时缺陷样本少等问题。本论文针对机器巡检视频缺陷检测的特殊问题,研究了运动场景目标分割、视频序列异常快速检测和表面纹理缺陷检测算法,并基于以上算法实现了适用于户外机器巡检的快速缺陷检测软件。论文主要工作如下:(1)针对检测中存在动态背景干扰的问题,设计了一种基于弱时序信息的视频目标分割算法。算法以ResNet 网络为视频目标外观特征提取基础,并利用前一帧的分割掩膜提取连续帧之间的弱时序信息,采用双分支结构融合不同尺度、时序特征,有效的提高了视频目标分割算法精度,在DAVIS数据集上轮廓精准度和区域相似度分别达到了 87.34%和 80.65%。(2)针对视频缺陷检测时直接检测速度慢的问题,设计了一种基于预测模型的视频序列异常快速检测算法。首先利用无缺陷视频中像素在时间上的相关性,设计了基于Attention-LSTM的视频序列预测模型,然后基于预测误差进行异常检测,快速定位检测序列中的带有缺陷的视频帧。基于预测模型的算法处理速度约为检测模型的4倍,大大提高了巡检视频缺陷检测的整体速度。(3)实现了基于深度学习的纹理缺陷检测算法。对目前主流的目标检测模型,包括 Faster R-CNN、SSD、YOLO-V3 及 RetinaNet 模型进行研究,综合考虑各模型在公开数据集上的性能表现,采用Faster R-CNN作为缺陷检测算法框架,在课题数据集上进行研究,通过模型迁移解决了实际应用中缺陷样本少的问题。(4)基于视频分析的纹理缺陷检测软件的实现。针对机器巡检视频的缺陷检测需求,开发基于视频分析的纹理缺陷检测软件,该软件能对视频场景进行目标分割,快速定位纹理缺陷所在序列,并能对缺陷进行定位和分类。