汽车产业是国民经济的主导产业之一,强有力地带动了我国的经济增长,而轮毂是汽车的重要行驶部件,轮毂的质量好坏与汽车的安全运行有直接关系,严重制约品牌质量和市场竞争力。由于人工检测轮毂质量的手段和方法会导致大量误检和漏检,所以,迫切需要一种智能检测方法用于提高检测质量。随着科技的飞速发展,基于深度学习的工业视觉技术,以自动获取特征、适用范围广、鲁棒性强、效率高等特点迅速取代传统工业视觉技术。然而汽车轮毂生产中识别任务复杂,如缺陷呈复杂的类间相似性和类内多样性,且各类缺陷的数量分布极其不均衡,为目前的深度学习识别技术带来了极大的挑战,对算法的性能提出了更高的要求。论文对基于卷积神经网络（Convolutional Neural Network,CNN）的识别方法开展深入的理论研究和实验研究,力图在提高缺陷识别性能上实现创新,从而拓展深度学习识别技术,并满足轮毂缺陷识别的工程需求,因此,研究工作具有较好的理论意义和重大的工程应用价值。论文主要研究工作及取得的成果如下:1.针对轮毂表面缺陷识别任务中训练数据缺乏的问题,构建了轮毂缺陷数据库（Wheel Hub Defect,WHD）。该数据库中的图像来自于轮毂生产企业,通过人工完成筛选、标注及图像扩增。数据库定义了三个不同的子集:WHD-4、WHD-9、WHD-12,以分别满足不同章节实验任务的需求,基于不同的识别任务和方法将数据集设定不同的划分规则,以便与当前主流模型比对。2.针对轮毂多类缺陷识别任务中源域与目标域悬殊而导致识别效果不佳、小目标、多尺度问题等,提出了Faster R-CNN*多类缺陷高精度识别模型。该方法基于Faster R-CNN实施改进:在区域建议网络（Regional Proposal Network,RPN）中增加小尺寸锚框、实施困难负样本挖掘、采用特征级联和多尺度训练措施。将自建的数据集WHD-4用于完成测试实验,实验结果显示检测精度明显提高。该模型的应用验证了超参数改变和使用训练技巧改进CNN性能的有效性。3.针对轮毂多类缺陷识别任务中平衡检测精度和检测速度的问题,提出了一种轮毂缺陷快速识别模型（Single Shot Multi Box Detector and Fusion,Reasoning,SSD（F+R））模型以实现。通过采用基网络Res Net-50替代VGG,满足检测速度需求;引入特征融合策略,使每一层都包含丰富的细节信息和语义信息;此外,增加视觉推理模块,提高堆叠缺陷以及模糊不清缺陷的识别精度。将WHD-4用于完成实验,平衡检测精度和检测速度的效果明显提高。该模型的应用有效验证了基网络的选择和功能模块的嵌入对CNN网络性能有很好的改善。4.针对轮毂缺陷数据集分布极不均衡而导致模型性能骤降的问题,提出了基于元学习的少样本轮毂缺陷识别模型（Meta Faster Region-Convolutional Neural Network,MFRC）。该模型将元学习网络和目标检测网络相结合,并配备预测器重建网络。元学习器可指导学习器快速更新参数以适应新类识别任务,同时,使用预测器重建网络可使新类缺陷受到快速关注。将WHD-12用于完成实验,轮毂缺陷少样本识别性能明显提高。实验结果表明,基于元学习的少样本识别方法在数据集不均衡识别问题上的有效性。5.针对没有缺陷训练样本而导致传统CNN模型识别失效的问题,提出了一种三步法轮毂缺陷广义零样本识别方法（Deep Embedding Network and Matching,Adaption,Calibration,DEM+MAC）。首先,充分利用数据集中的结构信息;其次,对不可见类的测试样本进行域适应操作;最后,对广义零样本识别中可见类缺陷的分类得分进行校准。将WHD-9用于完成实验,三步操作在一定程度上改善了中心度问题、投影域位移问题和识别偏见问题。实验结果表明了轮毂缺陷零样本识别泛化应用的有效性。本课题来源于国家自然基金项目:“智能装配机器人视觉自主识别、高精度定位与柔顺控制方法研究”,并对课题中“视觉识别”所涉及到的关键问题开展了一系列的研究。研究成果可延伸至不同领域的识别,而且为今后基于深度学习的相关识别研究奠定了基础。