黄荣锐，王吉芳，邓 张，孙巍伟

(北京信息科技大学 机电工程学院，北京 100192)

0 引言

铝型材是日常生活和工业生产中应用非常广泛的金属制品[1]。受生产工艺的限制，铝型材表面经常会出现各种缺陷，这些缺陷影响产品的外观、性能及使用寿命。传统的金属制品表面缺陷识别方法一般采用肉眼观察，速度慢、精度低，导致在实际生产中成本增加，影响企业经济效益[2]。

随着科学技术的发展，出现了基于机器视觉的缺陷检测方法。传统的基于机器视觉的表面缺陷检测方法往往采用常规图像处理算法或人工设计特征加分类器方式。例如针对被检产品的表面颜色选择光源[3]或者依据被检测产品表面反射性质选择不同成像方案，主要包括明场成像、暗场成像和混合成像等[4]。然而，上述产品表面缺陷检测方法需要针对不同的材料和特征提前设计方案，通用性差且检测系统成本较高，实际生产中往往很难达到机器视觉缺陷检测系统所需的理想环境，导致检测效率和检测质量无法得到保证。缺陷与背景的对比度低，差异像素较小，单个产品包含多个缺陷且尺度差异大，都将导致经典方法的效果大大降低。近年来，以卷积神经网络(convolutional neural networks,CNN)为代表的深度学习快速发展，深度学习具有自主学习的特性，使得它在机器视觉的多个领域广泛应用，同时也为铝型材的表面缺陷检测提供了思路。Ross Girshick等[5]基于CNN设计了R-CNN(region-CNN)模型，通过选择性搜索来确定候选框，将深度学习应用于目标检测上。……