本發(fā)明公開(kāi)了一種基于深度學(xué)習(xí)的工件表面缺陷檢測(cè)方法，具體為：采集不同背景及光照條件下的工件圖像；對(duì)采集的工件圖像進(jìn)行預(yù)處理；構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)模型獲得6個(gè)不同層的特征圖；采用特征金字塔特征圖進(jìn)行多尺度特征融合預(yù)測(cè)，使用K?means聚類算法得到產(chǎn)生4個(gè)anchor box預(yù)測(cè)目標(biāo)邊界框，使用交叉熵?fù)p失函數(shù)預(yù)測(cè)類別；通過(guò)非極大值抑制算法去除冗余的預(yù)測(cè)邊界框；輸出工件表面缺陷的位置信息以及類別。本發(fā)明解決人工檢測(cè)以及物理檢測(cè)法檢測(cè)效率低、精度差的問(wèn)題，克服傳統(tǒng)機(jī)器視覺(jué)缺陷檢測(cè)適應(yīng)性差的問(wèn)題，提高工件表面缺陷的檢測(cè)效率和準(zhǔn)確率，降低人力成本，而且可以快速適應(yīng)新型產(chǎn)品的表面缺陷檢測(cè)，縮短開(kāi)發(fā)周期，提高靈活性。