高反光物体是指物体表面具有镜面或者类镜面反射的物体,由于外表光滑,观赏性强,生活中此类物件比比皆是。这类物体表面反光会造成强噪声干扰,缺陷不易捕捉,因此这类物体表面缺陷的检测成为当今工业计算机视觉领域的一大难题。目前采用的主要方法有X射线测量法、干涉图样测量法和模糊阈值的图像分割等方法,此类算法运行速度慢,检测精度低且不具有普适性,不能满足工业需求。论文研究了针对高反光物体表面的缺陷检测,提出了硬件结构与软件算法相结合的解决方案,论文的主要工作如下:1)针对表面缺陷,论文提出一种能将各种复杂表面变为统一表现形式的硬件结构,这种结构利用线性光源在物体表面的反射光,将各种复杂表面展开成简单且统一的表现形式,避免了高光噪声的干扰,减少了训练需求的样本数,放大了缺陷特征。在搭建的实验平台上进行检测验证,检测结果表明,此方法提高了工件缺陷检测的准确性。2)针对数据集特征和可变形卷积核(DCN)的性质,提出了Dcn-Res Net网络结构,将Res Net中部分卷积核有选择性的替换成DCN,组成了网络的基础框架(backbone),实验证明该方法能够有效提高缺陷训练网络的准确性。3)在DCN的基础上,提出一种自适应多分辨率可变形卷积网络结构,该网络能够利用池化后的输入求出DCN的偏移值(offset)和遮罩值(mask),在卷积过程中实时提取原输入图像中的显著性部分,形成多分辨率输入图。网络因此具备了有的放矢地对显著区域实施高分辨率检测的能力,有效提高了缺陷检测精度。4)在单层网络的基础上,提出了网络的多层连接方式,利用特殊的上采样结构对这些输出特征进行融合。实验证明,在显著区域是原图的1/4时,这种结构能够在不影响整体缺陷检测的情况下,减小少量检测精度,提高速度近3倍,有效提高了缺陷检测的速度。