本文致力于设计一种基于深度学习多类型表面缺陷视觉检测系统，因此本文针对多类型表面缺陷检测的三大难题分别提出了解决方法，并且通过设计完整的缺陷检测系统证明了方案的可行性。（1）构建一个能高效生成完整多类型表面缺陷数据集的方法。目前效果优选、最有前景的数据生成方法是通过生成对抗网络生成数据，因此可以通过生成对抗网络的方法生成大量的多类型表面缺陷图片，从而满足训练一个高精度多类型表面缺陷检测模型的数据量要求。（2）构建一个检测精度高、检测性能快的检测器。目前有很多目标检测模型用于工业检测中，其中YOLOv4模型以高精度、高性能得到了广泛的使用。本文对YOLOv4模型进行改进提升，从而得到更高检测精度的表面缺陷检测模型。（3）构建一个方便、快速更新检测模型的方法。通过模型迁移的方法可以在一个原有检测模型的基础上快速得到一个新的检测模型，可以满足多类型表面缺陷检测模型可扩展、可更新、易维护的需求。本文设计了一种新的模型迁移方法，可以更高效地对模型进行更新，并且保持高检测精度。

本文在全面调研工业领域缺陷检测现状的过程中，发现工业领域中表面缺陷检测因为样本数量不足、检测精度和实时性要求高、缺陷种类繁多等各种难题。这样，在进行多类型表面缺陷检测时，基于机器视觉的检测方法在实际应用时十分困难，为了解决这些难题，本文根据多类型表面缺陷检测中存在缺陷样本稀少且样本搜集困难、缺陷检测中算法模型多且检测成本高、缺陷种类繁多且检测场景复杂等问题，提出了基于深度学习的技术解决方案，采用生成对抗网络、目标检测网络和迁移学习等最前沿的深度学习技术手段建立了完善的缺陷样本数据集，提高了缺陷检测的精度，并且对不同种类缺陷检测快速地训练新模型，同时还设计了一个多类型表面缺陷智能视觉检测的Web在线系统，整合了三种技术方案，并且可以实时显示多类型表面缺陷检测的效果。

1 绪论11.1 课题研究背景、目的及意义11.2 国内外相关研究现状31.3 电动机换向器表面缺陷检测需求分析101.4 本书主要工作122 基于CCAWGAN模型的缺陷样本生成方法152.1 引言152.2 图像生成和图像融合理论分析162.3 基于CCAWGAN模型的缺陷样本生成方法设计222.4 实验验证与结果分析322.5 本章小结403 基于FIYOLOv4模型的表面缺陷目标检测方法423.1 引言423.2 YOLOv4模型423.3 基于YOLOv4的FIYOLOv4模型设计463.4 实验验证与结果分析653.5 本章小结774 基于PSFTM模型的多类型表面缺陷检测方法784.1 引言784.2 迁移学习理论分析784.3 基于迁移学习的PSFTM模型设计824.4 实验测试及结果分析894.5 本章小结955 多类型表面缺陷检测系统设计与应用965.1 引言965.2 多类型表面缺陷检测系统设计975.3 多类型表面缺陷检测系统开发1035.4 多类型表面缺陷检测系统实例验证1105.5 本章小结1196 结论与展望1206.1 本书结论1206.2 本书创新点1226.3 研究展望122参考文献124