光学滤光片是许多光学仪器的重要组成部件之一，它被用于选择光学器件的特定辐射带。为了保证仪器的正常运行，对滤光片的表面质量有一定的要求。目前光学滤光片表面缺陷的检测方式主要是依靠人工肉眼检测，存在标准不统一、主观性强、检测效率低下等问题。本设备为了光学滤光片表面缺陷检测的需求，实现了基于深度学习的光学滤光片表面缺陷检测，以提高光学滤光片表面质量检测的效率和准确性。基于深度学习的光学滤光片表面缺陷检测算法。利用标注工具完成滤光片表面缺陷标注，构建了光学滤光片表面缺陷的数据集。使用HALCON语义分割模型和U-net网络两种算法探索深度学习应用于光学滤光片表面缺陷检测的可能性。利用光学滤光片表面缺陷数据集进行深度模型的建立，分析比较各自模型的性能。同时针对滤光片表面缺陷目标小，尺度差异大的特点提出了多尺度输入、注意力机制以及多尺度融合的改进方法。实验结果表明，改进后模型网络对小目标缺陷的检测精度优于原始模型。联络：fz_zheng#163.com (将#换成@）
