绞线式弹性毫微型插针由10股铜合金丝绞制而成,六七毫米长、直径小于0.2毫米,是高端电子元器件的主要连接器配件,广泛应用于载人航天、探月、北斗、大飞机和高分辨率对地观测系统等国家重大航空航天工程。在绞线式弹性毫微型插针加工过程中,由于加工误差,会出现各种质量缺陷。为保证产品的质量,应及时剔除不合格产品,但由于绞线式弹性毫微型插针产品体积小,质量要求高,质检员不能手工拿持产品进行剔除,需要用镊子在显微镜下逐只目检,效率低下,工作量大,严重影响绞线式弹性毫微型插针的生产效率。因此,如果能将绞线式弹性毫微型插针自动分拣到合格、针头散丝、压扁或鼓包、废品等接料盒中,对提高绞线式弹性毫微型插针缺陷检测效率,缩短检测时间,降低生产成本,提升产品的市场竞争力和增加用户满意度具有重要意义。视觉检测是目前工业界主流的缺陷检测方法之一,但在实际应用中会遇到许多挑战。如:传统图像特征提取算法基于经验手动设计特征,所设计特征通常处于较低水平且主观性强。绞线式弹性毫微型插针待检测样本缺陷多样、背景结构差异小、边界不清晰、透视失真、遮挡等复杂情况,使用传统依靠经验手动设计缺陷特征的方法不足以处理这些复杂情况。近年来,深度学习在图像特征提取方面具有较强的特征提取能力,能够自动的从数据样本中学习训练样本特征。因此,论文依托工信部智能制造综合标准化和新模式应用项目“精密电子元器件智能制造新模式应用”(工信部联装[2016]213号),以针头胖点偏移、尺寸错误、针头散丝、针头压扁与鼓包等常见的绞线式弹性毫微型插针表面缺陷问题为研究对象,以深度学习为技术手段,针对深度学习表面缺陷检测模型的稳定性、绞线式弹性毫微型插针表面缺陷识别、表面像素级缺陷分割和工程应用展开研究,主要研究内容包括:(1)基于深度学习的表面缺陷检测模型稳定性分析。针对工业视觉缺陷检测中,电子元器件缺陷类型多样、很难收集丰富的图像数据且各个缺陷类型之间存在缺陷类型数量不均衡问题,使深度学习模型因为输入数据类型间数量的差异而使训练过程出现梯度很难收敛,造成模型训练过程中的过学习和欠学习等问题。在不影响原有数据分布的情况下,提出基于Batch Normalization的训练数据类别平衡策略;然后,为进一步提高特征学习能力,提出特征空间数据扩增方法;最后,结合利普希茨连续函数,从理论证明采用多策略Batch Normalization平衡输入数据方法的稳定性比没有采用多策略Batch Normalization平衡输入数据方法的稳定性更好。在绞线式弹性毫微型插针数据集下的实验结果表明,模型对缺陷特征的平均分类准确率为90.27%。(2)基于卷积神经网络的端到端绞线式弹性毫微型插针表面缺陷识别方法。为了获得绞线式弹性毫微型插针的类型,提出了基于卷积神经网络的端到端绞线式弹性毫微型插针表面缺陷识别方法,首先,为了提高对相邻较小目标的识别能力,改进YOLO神经网络结构,采用一个全连接层以减少特征信息的丢失;在输入图像后,增加了一个2?2的最大池化使得在缩小图片尺寸的同时尽可能多的保存原始图片信息,并将多次卷积和池化操作后的网格由原来的7?7变为14?14以提高特征图谱的尺寸;其次,对于单一目标的数据,结合了边框回归和RPN方法,提出基于RPN的滑动窗口合并算法,保留更多的图像信息;最后,通过增加检测窗口内卷积核单元数量,移除全连接层,提高复杂工况下绞线式弹性毫微型插针缺陷的特征提取能力。在绞线式弹性毫微型插针数据集下的实验结果表明,本文方法在针头胖点偏移、缺陷尺寸错误、针头散丝、针头压扁与鼓包四类缺陷下的识别准确率、预测概率估计值均高于对比算法YOLO V3、Faster-RCNN和FPN。(3)面向绞线式弹性毫微型插针的表面像素级缺陷分割方法。绞线式弹性毫微型插针缺陷图像的背景区域与目标区域像素差异对比不明显,但在缺陷小范围内背景与目标可分且目标区域不会孤立存在,在第四章研究的基础上,将Unet网络作为基础网络,提出面向绞线式弹性毫微型插针的表面像素级缺陷分割方法。首先,针对绞线式弹性毫微型插针图像的背景区域与目标区域灰度对比不明显,考虑使用图像方差表示图像灰度值的变化幅度。结合相邻像元灰度差值大小与归属区域的关系,提出了基于K-means的缺陷簇搜索算法;其次,针对缺陷的尺寸和形态多样,在Unet的预测网络和分割网络中引入可变形卷积和可变形感兴趣池化模块提升神经网络对形变特征的学习能力;在绞线式弹性毫微型插针数据集下的实验结果表明,本文方法学习到了更多的真实标签数据信息,鲁棒性更好。(4)基于深度学习的绞线式弹性毫微型插针实例应用。设计并搭建了绞线式毫微型插针缺陷检测试验台,结合论文的研究成果,针对绞线式弹性毫微型插针缺陷检测中容易出现的漏检问题,提出基于中间变量的绞线式毫微型插针漏检判定算法;最后,开发了绞线式弹性毫微型插针表面缺陷检测原型系统,并展示了原型系统主要的功能模块。