针对钢材表面缺陷尺度不一，现有检测算法多尺度特征处理能力较差、精度有待提高的问题，提出了一种面向钢材表面缺陷检测的改进型YOLOv5算法。首先，在骨干网络的特征输出层后添加感受野模块以增强特征的判别性与鲁棒性，可以更好地感知不同尺度的特征信息；然后，利用对齐的特征聚合模块替换传统的特征融合结构，解决了高低分辨率特征图在融合过程中存在的特征错位问题；最后，采用带有高效通道注意力机制的解耦头输出检测结果，注意力机制可以自适应地校准通道响应，解耦头使得分类与回归任务可以独立执行。在NEU-DET数据集上的实验结果显示，所提出方法的平均精度均值为80.51%，相比基准模型提升了4.48%，检测速度为31.96 frame/s。相比其他主流的目标检测算法，在保持一定检测速度的前提下，所提算法具有更高的精度，能够实现高效的钢材表面缺陷检测。

针对目前航空发动机表面人工缺陷检测效率低的问题，提出一种基于改进YOLOv5的缺陷检测模型YOLOv5-CE。首先，在网络中融合数据增强策略搜索算法，自动为当前数据集搜索最佳的数据增强策略，实现训练效果的提升；其次，在backbone网络中引入坐标注意力机制，在通道注意力的基础上嵌入坐标信息，提高对小缺陷目标的检测能力；最后，将YOLOv5的定位损失函数改进为efficient intersection over union损失，在加快模型收敛的同时提高预测框回归精度。实验结果表明，所提YOLOv5-CE模型，相比原YOLOv5s网络，在检测速度几乎没有下降的情况下平均精度均值提高了1.2个百分点，达到了98.5%，能够高效智能检测航空发动机4种常见类型缺陷。

遮挡图像重建是无监督异常检测的主要方法之一, 通过生成式模型对遮挡后的图像重建, 根据重建差异来估计图像区域的异常分数, 高异常分数区域即为缺陷区域。然而, 现有方法仅采用若干个尺度相互独立的遮挡策略, 使得模型缺乏对非规则遮挡图像的重建能力; 在重建过程中图像缺失部分与完整部分的全局依赖性未被充分考虑。针对上述问题, 提出多尺度网格的遮挡策略, 并采用自注意力机制增强自编码器重建过程中对全局依赖性的刻画。实验结果验证了所提方法的有效性, 与其他方法相比获得了更优的表面缺陷检测性能。

针对传统方式检测钢板表面缺陷存在检测精度低、检测速度慢的问题，提出一种改进YOLOv5s算法。首先，使用基于交并比（IoU）度量距离的K-means算法对钢铁数据集进行重新聚类，获得多组锚框，通过遗传算法对其进行变异运算，得到与全体标注框更匹配的多组锚框；其次，在Mosaic数据增强上融合MixUp，抑制过拟合，提升模型的泛化能力；然后，对网络结构进行改进，融入注意力模块，进一步提高了网络的特征提取能力；最后，针对难识别样本，在损失函数中融入Focal loss，提高网络的收敛速度与检测精度。实验结果表明，改进后的YOLOv5s算法在测试集上的平均精度均值（mAP）可达78.4%，比原始的YOLOv5s算法提高了3.0个百分点，速度上与原始YOLOv5s基本持平。所提算法在保持高检测速度的基础上，检测性能也优于DDN、Faster R-CNN和YOLOv3。

针对磁瓦图像光照不均匀、对比度较低、表面干扰磨削纹理较多的问题，提出了一种基于改进的同态滤波与Canny算法的磁瓦表面缺陷检测算法。首先，采用改进的同态滤波传递函数将磁瓦图像分解成高频图像和低频图像，用连续均值量化变换增强高频图像，再将增强的高频图像与低频图像融合便能够得到光照较均匀和对比度较高的磁瓦图像。然后，将传统Canny算法中的高斯滤波器替换为相对总变差模型，从而提取出磁瓦缺陷结构；为了提高边缘检测的精度，增加了梯度方向模板求取图像像素点的梯度幅值和方向，并采用基于图像灰度信息的单阈值提取出图像缺陷边缘，提高了算法的鲁棒性。最后，通过形态学处理对检测出的缺陷边缘图像进行填充，并把干扰边缘去除，便可得到磁瓦的缺陷区域。实验结果表明，所提算法对磁瓦表面缺陷检测的效果较好，检测精度较高，且适用于多种类型的磁瓦表面缺陷。

针对金属球面高反光及高曲率对表面微缺陷检测的不利影响，提出一种基于空间全角度光源和图像融合的检测方法。通过空间全角度光源系统提供不同照明方案扫描球面获得图像信息，利用图像融合对有效检测区域内微缺陷与背景的差异性进行累积，放大微缺陷与背景差异，提升微缺陷检测能力。实验结果表明，基于所提方法的检测装置对直径为20 mm、精度为G16的轴承钢球表面不同位置微缺陷的检测效果显著，解决了金属球面高反光引起的检测盲区问题，并对轴承钢球表面各种微缺陷具有良好的检测能力。

针对人工和传统自动化检测偏光片表面缺陷的准确性和效率问题, 解决传统机器视觉在人工设计特征和泛化能力差的问题, 提出了一种基于改进Faster-RCNN的偏光片表面缺陷检测方法。通过对比四种特征提取网络最终选择ResNet-101并引入特征金字塔网络(FPN)来提高对小缺陷的检测能力; 接着采用ROI Align取代原始的ROI Pooling以解决两次取整操作引起的像素误差; 最后通过采集方案获取偏光片表面图像, 建立三种缺陷类型的数据集, 结合k-means++聚类算法来改进anchor生成方案。实验表明, 改进后的网络在偏光片缺陷数据集的mAP达到93.5%, 平均检测单张待测图像耗时0.142s, 能够满足实际检测的需求。

针对铝型材表面纹理复杂、缺陷尺度差异大导致缺陷检测算法精度不高,难以满足实际需求的问题,提出了一种改进的目标检测网络AM-YOLOv3 (attention-guided multi-scale fusion YOLOv3)。设计了注意力引导模块和4个预测尺度,实现了铝型材表面缺陷的多尺度特征提取。构建了自底向上的特征传输路径,与原有的特征金字塔网络结合形成双塔结构,实现了多尺度特征融合。使用K-medians算法进行锚框聚类,更准确地表征了锚框尺寸的分布规律,提高了网络的收敛速度。在公开的铝型材数据集上对所提算法的性能进行了实验验证。实验结果表明,所提算法的mAP(mean average precision)达到了99.05%,比YOLOv3模型提高了6.8%,帧频达到了43.94 frame/s。

玻璃、透镜等透明物体在光学系统中有广泛的应用,表面质量优劣对系统性能有较大的影响。利用光的偏振特性,提出一种基于偏振透射结构光的表面缺陷检测方法。利用所搭建的透射系统产生偏振透射条纹结构光,该结构光投射到被测物体表面,经被测物体后发生变形;然后采集变形条纹,提取相位信息,解出调制度,得到被测物体的表面缺陷信息。实验结果表明:所提方法能够消除灰尘的影响,并可以有效提高系统信噪比,有望用于平板厚透镜、大曲率光学透镜等透明物体的缺陷检测。