随着工业现代化的发展,传统人眼检测法已经无法满足工业产品的日常生产,近年来,在国家“机器换人”政策的号召下,基于机器视觉的自动光学检测技术已经逐渐代替人眼检测,成为主流的检测方法。但随着人们对产品外观的追求不断提高,产品表面属性变得多样化,如平板电脑、手机外壳等产品的金属光滑表面、磨砂喷漆表面和塑胶喷漆表面等。而在类似磨砂漆面等的漫反射表面中,由于其表面颗粒会使检测光线产生不规则漫反射,使得缺陷信息容易被复杂的背景散射光所掩盖,从而造成缺陷难以被检测。因此为解决上述问题,本文对漫反射面的缺陷检测展开研究。主要内容包括:针对漫反射面缺陷难以成像的问题,本文通过对比分析超光滑面缺陷检测中显微散射暗场(Micro Scattering Dark Field,MSDF)成像系统的特点以及漫反射面的表面反射特性,设计了同轴平行光(Coaxial Parallel Light,CPL)成像系统,实现对漫反射面的缺陷成像。而针对在实际检测中,产品表面可能同时存在漫反射面和光滑表面的情况,本文设计了明场成像系统,实现了对光滑面上凹凸缺陷的检测。针对传统图像分类算法对漫反射面缺陷分类准确率低和算法设计过程繁琐缺乏鲁棒性等问题,本文提出利用深度学习技术中的卷积神经网络对缺陷图像进行分类。为满足工厂生产现场对缺陷快速检测的要求,本文首先利用基于双阈值的自相关模板匹配法,实现对图像缺陷的定位分割,再将分割之后的缺陷图像送入卷积神经网络完成对缺陷的分类判断,从而实现对缺陷的快速检测。为了训练卷积神经网络模型,本文建立了拥有8种缺陷类型的图像数据集,并通过数据增强的方法对数据集进行数据扩充。为提出适用于缺陷图像分类的卷积神经网络模型,本文对具有不同特点的三种经典卷积神经网络模型,AlexNet、ResNet和GoogLeNet,分别进行性能测试,得出具有Inception结构的GoogLeNet模型拥有最高的平均准确率,达90.5%,但其检测时间长达27毫秒,无法满足快速检测的需求。因此本文基于缺陷图像单通道和小分辨率的特点,以及网络宽度与深度相匹配的设计原则,对GoogLeNet模型进行结构优化,最终成功将网络模型平均准确率提升至91.7%,且检测时间缩短为12.67毫秒。