缺陷检测是工业制造和服役中的一项安全保障任务,传统的人工巡检方式成本过高、检测效率较低、主观因素较强,存在一定的局限性。而随着计算机视觉技术的发展,针对常见类型的缺陷,基于机器视觉的缺陷检测技术一定程度上弥补了上述的不足。对于微弱类型的缺陷,因其形态表征不明显,使得特征信息难以提取,一般方法容易出现较多漏检。且与纹理、污渍等特征相比,其类间差异较小,又容易产生较多误检。所以实现缺陷的自动化检测仍然是一个挑战。为解决上述问题,本文提出基于多尺度空间联合的视觉缺陷检测方法。实现分类和回归信息通过相邻层级补正,提升模型微弱、多尺度目标的检测能力。本文的主要研究工作如下:1.研究视觉检测的基本原理,以提升模型微弱、多尺度目标检测能力为基准。针对目标检测中的多尺度层级进行结构讨论,并对一阶段检测器在训练和测试时存在后处理方法不一致问题做出分析。2.结合深度学习中的多尺度框架和注意力机制,从卷积神经网络结构和决策融合上进行创新改进,提出了类别空间金字塔结构和回归空间金字塔结构,分别对类别和回归空间设计了可微的邻级信息融合策略。并设计了用于提取质量信息的bbox quality注意力模块,实现后处理方法的一致。3.搭建缺陷自动化检测平台,对工业排气管道自然缺陷试件开展相关实验,建立缺陷数据集,部署模型实现对缺陷的在线检测。并通过m AP、F-Score和FPS三项指标对算法性能进行评价分析。本文选取各类检测架构中的经典和先进模型作为对比方法,并对本文方法的结构模块开展消融实验。实验的评价指标和可视化结果表明,本文方法在微弱、多尺度的缺陷数据集上有着较好的检测性能,既在检测速度上实现了实时在线检测,也在检测指标上优于通用的目标检测方法。而在LCDcover和Tiny Person公开数据集上进一步验证了本文方法的通用性。