随着人民生活水平的提高,心血管疾病患病人数不断增加,介入手术是目前治疗心血管疾病最常用的手段,血管支架的质量直接关系患者的生命安全。表面缺陷可能会降低支架的支撑力,破坏血溶性,表面有缺陷的支架不但对病情得不到有效治疗,还会造成血管再狭窄和凝血的风险,因此在产品出厂前必须对其表面缺陷进行严格检查。目前主要依靠人工进行表面缺陷检测,具有工作强度大、检测结果主观性强、效率低等缺点。随着计算机技术和机器视觉的发展,深度学习被用于缺陷检测,因为生产良率高和涉及商业机密等因素导致数据难获得,阻碍了其发展。为实现支架表面缺陷的自动检测,本文基于深度学习对血管支架的表面缺陷检测进行研究。主要工作如下:通过某公司收集了血管支架四种常见的缺陷图像和正常样本图像,依据缺陷类型对收集到的图像进行分类。血管支架材质易反光且为网形筒状结构,由于设备或照明影响,采集到的图像会有光照不均现象,在图像采集和传输过程中也会受到不同噪声的污染。针对这些问题,对图像进行滤波降噪,并利用小波变换和直方图均衡化进行图像增强。针对数据集样本少的问题,本文采用几何变换和随机加噪的方式完成数据集扩充。最后采用Labelme进行缺陷标注,建立了血管支架数据集。综合考虑小数据集、血管支架图像的特点和网络复杂度,本文设计了基于U-Net的分割决策网络。该网络包含分割和决策两部分,其连接方式采用深层和浅层特征的融合。模型采用交叉熵损失函数,通过对比不同优化器对损失函数的影响选择了Adam优化器。搭建网络训练平台,对基于U-Net的分割决策网络进行实验验证。针对分割性能设计了分割网络部分与经典的FCN、原分割网络的对比实验,针对分类任务设计了与VGG和原分割决策网络的对比实验,依据评价指标、损失下降曲线、精准率曲线、分割效果图、混淆矩阵和特征分布图验证了基于U-Net的分割决策网络的有效性。该方法对于心血管支架的缺陷检测准确率达到了96.67%,提高了缺陷的检测准确率与缺陷的视觉分割效果,促进了图像识别在缺陷检方面的实际应用,为最终的产业化应用打下了理论基础。