随着工业智能化的不断推进和换向器产能需求的不断提高,过去非常低效率的人工检测传统方法和存在各种局限性的传统数字特征处理检测方法将逐步退出工业缺陷检测界的主要舞台。近些年来,卷积神经网络经过长足的发展,分类、检测、分割的各个领域上都有了突破性进展。越来越多的神经网络框架被应用到各类物品的表面缺陷检测任务中。应用在表面缺陷检测的目标检测框架常常可以划分为一阶检测器和二阶检测器。二阶检测器中经典的网络框架是Faster-RCNN算法。本文对换向器上端面的图像进行缺陷检测,其遇到复杂背景上弱小的缺陷难以检测和目前目标检测框架参数量巨大的问题,本文在Faster-RCNN的算法框架上进行研究与改进,主要的工作内容如下:（1）研究了神经网络的发展历史、缺陷检测现状和目标检测算法相关基础理论。首先,通过大量查阅文献和期刊,调研神经网络的发展历程并总结经典的网络,接着对缺陷检测的检测任务、难点和各类技术手段的分析,最后简单介绍常用经典的目标检测算法。（2）换向器缺陷表面出现的小面积形状不定的弱小缺陷是目前换向器行业缺陷检测的难题。针对换向器的弱小缺陷检测问题,本文基于Faster-RCNN目标检测算法提出改进的方法。首先融合了特征金字塔,增强对多个尺度特征的提取,然后对特征金字塔的低层引入多感受野,提高对小缺陷的检测能力。最后使用引导锚框生成方式替换原RPN按照固定比例、大小生成Proposal框的方式,这与原有固定产生大小的Proposal框相比更加精确,从而让网络学习更加精确的缺陷区域,从而使得提升网络的检测精度。（3）尽管Faster-RCNN系列的检测框架的精度较高,但其网络模型复杂、参数量大,而且训练和检测的速度慢,耗时相对较长。这常常达不到工业实际检测的速度要求。为了兼顾模型检测的高精度和使用的效率的要求,本文采用的技术方法是使用知识蒸馏的方法,对精确度较高、模型较复杂的教师网络进行蒸馏,指导网络规模相对小的学生网络学习提取特征的能力,使其在尽可能保持高精度的同时减轻网络和加速网络的训练。