Fabrication of high-quality optics puts a strong demand on high-throughput detection of macroscopic bulk defects in optical components. A dark-field line confocal imaging method is proposed with two distinct advantages: (i) a point-to-line confocal scheme formed by a columnar elliptical mirror and an optical fiber bundle breaks through the constraint on light collection angle and field of view in the traditional line confocal microscopy using an objective, allowing for an extended confocal line field of more than 100 mm while maintaining a light collection angle of 27°; (ii) the bulk defects are independently illuminated as a function of time to eliminate the cross talk in the direction of the confocal slit, thus preserving point confocality and showing the optical section thicknesses to be 162 µm in the axial direction, and 19 and 22 µm in the orthogonal transverse directions. The experimental results verify that the method has a minimum detectable bulk defect of less than 5 µm and an imaging efficiency of 400mm2/s. The method shows great potential in high-throughput and high-sensitivity bulk defects detection.

为提高复合材料铺放质量，辅助现场人员快速对缺陷进行检测，提出一种基于Transformer的复合材料多源图像实时实例分割网络Trans-Yolact，用来对复合材料缺陷进行检测、分类、分割。在Yolact网络框架基础上，针对复合材料缺陷特点，从空间域与通道域两个维度，增强网络对复合材料缺陷的检测能力。在空间域上，常规卷积核具有空间尺度的局限性，对狭长形、大尺寸缺陷的检测效果不佳。因此，采用CNN+Transformer架构的BoTNet作为基础主干网络；同时将Transformer引入Yolact网络的FPN结构中，增强网络从非局部空间中获取信息的能力。在通道域上，采用红外与可见光联立的检测方式，并改进主干网络浅层结构，将其分为可见光通道、红外通道、混合通道，混合通道中引入通道域注意力机制，进一步增强网络对红外与可见光图像的综合判断能力。实验结果表明：改进后Trans-Yolact对复合材料缺陷mAP为88.0%，较基准Yolact网络提高5.5%，缺丝、扭转等狭长形缺陷AP提高15.2%、5.1%，包含部分大尺寸缺陷的异物类缺陷AP提高9.1%。最终对Trans-Yolact网络进行结构化剪枝，剪枝后较基准Yolact网络减少26.5%的计算量(FLOPs)、减少44.7%的参数量；检测帧数提高58%，达到57.67 fps。并在大型龙门复合材料自动铺放设备上进行在线测试，可以满足生产过程最大铺放速度1.2 m/s下，复合材料缺陷的实时检测分割。

光伏电池片中的缺陷会影响整个光伏系统使用寿命及发电效率。针对现有电池片自动检测中尺寸弱小缺陷漏检率高的问题，建立了一种特征增强型轻量化卷积神经网络模型。针对性地设计了特征增强提取模块，提高了弱边界的提取能力，同时根据多尺度识别原理，增加了小目标预测层，实现了多尺度特征预测。在实验测试中，该模型平均精度均值（mAP）达到87.55%，比传统模型提高了6.78个百分点，同时检测速度达到40帧/s，满足精准性与实时性的检测要求。

针对目前热电池内部装配缺陷检测效率低、准确度不高的问题，研究了一种可精准分割内部电池堆图像并能够准确识别缺陷种类的方法。首先采用水平、垂直积分投影法对目标电池堆边缘特征进行提取，利用局部自适应对比度增强算法对局部不清晰部分进行细节纹理增强；然后研究了缺陷结构的灰度特性，计算提取出缺陷特征参数；最后使用BP（back propagation）神经网络和CART（classification and regression tree）决策树对特征参数分类识别，并根据分类准确度进行权重分配，将加权融合后的结果作为检测的最终判据。实验结果表明：该方法对2 000个样本的检测准确度达98.9%，为热电池的X射线缺陷检测提供了有效的途径。

表面缺陷对轴承的性能和寿命存在严重影响。近年来，深度学习在缺陷检测中发挥了重要的作用，然而对于轴承检测而言，缺陷样本的采集耗时耗力。选择轴承内径作为研究对象，根据轴承的对称性特性提出一种规范化样本拆分方法，可有效扩充轴承样本数据集。分别采用不同的样本处理方法，而后利用ResNet网络训练轴承缺陷检测模型，进行多组对比实验，实验结果表明：直接采用原始图像进行网络训练，检测效果较差，模型的AUC (area under the curve)仅为0.558 0；对原始图像进行样本拆分，训练出的模型检测效果有所提升，其模型AUC提升为0.632 6；将原始图像进行4点透视变换校正后再进行网络训练，检测效果同样有所提升，其模型AUC提升为0.661 3；将原始图像进行透视变换校正且规范化样本拆分后，检测效果最好，其模型AUC增加为0.849 6。

针对汽车刹车片表面纹理情况不一、种类繁多的问题，提出一种基于机器视觉的刹车片表面缺陷图像检测方法，该方法结合了灰度共生矩阵与密度聚类。首先提取刹车片的摩擦面，然后确定灰度共生矩阵的构造因子的选取，利用线性相关性选择特征参数。将每个摩擦面切分成若干小窗口，计算各个小窗口的特征值构造特征数据集，通过自适应密度聚类算法进行聚类分析，从而进一步判断是否存在缺陷区域。通过对58块不同型号的刹车片样本进行检测结果统计分析，实验表明，该方法误检率为8%，漏检率为6%，具有较高的检测精度，因此，该方法能够较好地检测刹车片样本是否存在缺陷，具有广泛的适用性。

为了研究激光激发出的超声波在带过渡圆角的金属平板上的传播规律和检测表面缺陷的方法，采用有限元法模拟了该类平板中的激光超声现象，分析了表面波在圆角区域的传播规律和与表面缺陷的作用过程。数值结果表明：激光激发出纵波、横波和Rayleigh波等，其中Rayleigh波主要存在于表面mm量级，并且在过渡圆角处发生模式转换生成了直达波R′和模式转换波R_R等多种表面波；经过过渡区域后的声波在表面缺陷处发生了反射和透射现象，通过B扫图可以检测缺陷的位置。随着缺陷深度的增加，表面波的透射系数不断减小，且透射波R_t和R_st存在0.5 μs左右的到达时间差，该时间差与缺陷深度近似成线性正相关。数值结果为激光超声检测带过渡圆角的平板表面缺陷提供了有价值的参考。

针对金属加工表面等结构纹理表面图像缺陷检测问题，结构纹理的存在会对缺陷（比如划痕）检测带来干扰，该文开展在频率域中消除背景纹理的方法来进行缺陷检测的研究。首先基于傅里叶变换的图像复原技术，空间域图像中的结构性纹理对应傅里叶域中高能频率分量，使用最小二乘法直线拟合操作去除，并将这些能量设置为零，经傅里叶逆变换为空间域图像。在复原的图像中，原始图像中的结构纹理区域将变为近似的均匀灰度级，但其中缺陷部分将被保留下来。再使用统计过程控制来设置阈值的方法就能从复原图像中分离出缺陷。最后在一系列的结构性纹理图像上的实验证实了所提方法可行且有效。