王芷薇，郭 斌，胡晓峰,2，罗 哉，段林茂

(1.中国计量大学 计量测试工程学院，浙江 杭州 310018； 2.浙江省先进制造技术重点实验室，浙江 杭州 310058； 3.杭州沃镭智能科技股份有限公司，浙江 杭州 310018)

1 引 言

制动主缸是行车制动系统的动力源，在液压制动系统中有着至关重要的作用[1,2]，其质量直接影响汽车的安全性能。主缸在加工过程中会因生产环境不理想、制造工序不规范等原因造成主缸内槽表面加工缺陷[3]。缺陷会导致主缸漏油、活塞卡滞等问题。由于主缸的口径极小，无法用人眼直接观测。目前在工业生产中主缸内槽缺陷的检测方法有内窥镜人工检测方法和机器视觉检测方法。内窥镜人工检测方法效率低、精度差，易因工作人员长时间的检测疲劳而产生检测误差；机器视觉检测方法适应力较差，无法进行自动识别，在图像预处理及识别过程中难以针对不同种类缺陷进行快速检测，不同缺陷检测时要设定不同的阈值[4～6]。

近年来，深度学习技术取得很大进展，可以实现自主识别以及高准确率，因此利用深度学习进行缺陷检测的研究越来越多。基于深度学习的缺陷检测方法主要包括两类：1) 依赖于预定义的锚框(anchor box)，通过网络学习对图片中上千种的锚框进行判断，判断该锚框内是否含有缺陷，再对锚框进行分类。该类检测的网络主要有RetinaNet、SSD、YOLOv3和Faster R-CNN等[7]；2) 通过网络学习得到待测图片中所需要的关键点，对关键点进行分类，该类检测网络有CornerNet和FCOS(fully convolutional one stage)等[8～10]。CornerNet网络消除了对锚框的依赖，但仅能提取边缘特征，容易产生很多误检。……