表面缺陷,作为工业制造领域最常见的产品问题之一,它的产生不仅影响产品的外观,更会降低产品的可靠性,减少其使用寿命。因此,高效的缺陷检测方案对提高产品质量具有重要的现实意义。基于深度学习的工业缺陷检测以其非接触性无损检测、低成本和高度智能化等特点,成为工业和学术领域的研究热点之一。基于数据驱动的深度学习依赖于大量有效样本集。受制于工业生产的影响,缺陷数据集常存在训练样本不足、类别不均衡等问题。加之深度学习平台的部署成本等客观因素,无法实现工业化嵌入端缺陷检测技术的普及与应用。针对上述问题,本课题提出了行之有效的轻量化小样本缺陷检测方法,具体内容如下:（1）对于不均衡小样本缺陷数据引起的检测准确率低下的问题,提出基于缺陷位置精准采样的GT-CutMix离线数据增强算法和数据仅含类别标签条件下的RandomCutMix随机增强算法。从分类任务、目标检测任务两个方面进行实验,验证离线数据增强算法的有效性。结果表明,两算法均增加了样本的多样性,有效地解决了样本不均衡问题。同时,GT-CutMix数据增强算法能够充分保留缺陷的纹理和几何特征。（2）为提升模型泛化性能,本文分别从缺陷检测的基准网络和DSSD模型设计两方面对网络结构进行优化改进。首先,在MobileNetv2的基础上引入通道混洗单元,增加网络内部特征信息的流动性和交互能力,构成轻量化S-DSSD缺陷检测模型。其次,在S-DSSD模型中引进PSA特征金字塔注意力机制搭建SA-DSSD模型,实现通道域特征重标定,增强模型对缺陷特征的敏感性,抑制无效背景信息的影响,从而进一步提升缺陷检测性能。本论文在X-SDD小样本缺陷数据集上进行算法验证,在GT-CutMix数据增强算法下,所提出的S-DSSD模型检测精度为76.83%,检测速率为45 FPS。SA-DSSD模型在牺牲部分模型复杂度的前提下,检测精度mAP达到78.63%,检测速率为40 FPS。所提出的两种缺陷检测算法均优于现有模型,并为不同工业生产场景下的高速率、高精度等侧重性需求提供选择性方案。本文的研究成果解决了缺陷检测样本类间不均衡问题,在降低模型复杂度的同时提高了检测精度,推动了小样本缺陷检测技术的发展。