缺陷检测是产品生产过程中的重要流程,它的结果能够反映出生产工艺中存在的问题,对提高产品质量、维护企业口碑具有重要作用。与人工进行产品缺陷检测相比,基于机器视觉的自动化产品缺陷检测方法具有效率高、成本低的优点。同时,机器能够代替工人在高温、毒气、辐射等各种恶劣环境下进行缺陷检测工作。目前,基于机器视觉的产品缺陷检测方法有两种。一是基于数字图像处理的检测方法。这种方法运用图像对齐、图像对比技术检测出产品的缺陷位置,然后通过缺陷区域的图像特征(如灰度像素面积)来区分缺陷类别,具有检测速度快,准确性高的特点,但它的通用性和扩展性差,对于不同的产品,要专业人员重新选择用于区分缺陷类别的特征,比较适合用于单一品种产品的缺陷检测。另一种方法是基于深度学习的产品缺陷检测方法,这种方法训练出检测多种产品的多类型缺陷的神经网络模型,具有端到端检测、通用性好的特点,适合多品种产品的多类型缺陷检测。针对企业的多品种铁罐多类型缺陷检测任务极高的通用性和检测准确性需求,本文研究了基于深度学习的多品种铁罐多类型缺陷通用检测方法,主要成果如下:(1)分析目前基于深度学习的目标检测算法在多品种铁罐缺陷检测任务中表现差的原因,根据分析结果设计出新的产品缺陷检测算法——FPP(Feature Pair Pyramid)。在FPP算法中,提出了新的特征提取方式和三种针对数据集的缺陷检测优化方法。实验结果表明FPP缺陷检测算法在多品种铁罐多类型缺陷检测中的表现比目前先进的深度学习目标检测算法更好,提出的三种优化方法也大幅提高了缺陷检测的准确性,尤其是小尺寸缺陷的检测准确性。(2)针对深度学习中数据集标注成本高、耗时长的特点,提出深度学习中产品缺陷检测数据集的自动标注方法,该方法融合图像对齐、图像对比、先验预测方法进行缺陷位置和缺陷类别标注。在一定条件下,该数据集自动标注方法的标注准确率能高达到90.44%。(3)针对缺陷检测模型的重新训练耗时长的问题,提出了缺陷检测模型的训练加速方法,该方法使用困难样本挖掘方法,能够运用少量的新品种产品样本在短时间内重新训练新的模型,从而节约时间成本。