玉珠作为玉制品,其表面因受各种因素影响而存在裂纹、黑斑与磨损缺陷。目前工业界对于玉珠表面缺陷的检测仍由人工主观判断完成,由此造成的高成本、低效率问题严重影响着整体效益。因此针对玉珠表面缺陷的智能边缘计算平台研发已成为迫切需要。本文围绕玉珠表面缺陷智能化检测的产业需求,研究了基于深度学习的缺陷检测算法,并搭建了智能边缘计算平台,为实现玉珠表面缺陷的智能化检测提供了有利支撑。本文的主要研究内容包括:首先,本文构建了玉珠图像数据集。玉珠图像数据集是玉珠表面缺陷智能化检测的前提和基础,深度学习任务的展开也离不开数据的支持,但由于目前并无玉珠图像的公开数据集,因此本文基于实体玉珠进行了数据集的构建。在行业专业人员的指导下采集了包括黑斑缺陷、裂纹缺陷、磨损缺陷与标准无缺陷四个种类各600幅图像,并进行了各图像的标注。玉珠图像数据集的建立为后续玉珠表面缺陷检测算法的研究提供了数据支撑。其次,本文提出了基于轻量型神经网络Ghost Net的CAGN（Coordinate Attention and Ghost Net）神经网络算法。CAGN神经网络针对Ghost Net进行了整体优化,通过添加CA（Coordinate Attention）注意力机制,使模型不仅考虑了各通道间的信息,还关注到了特征位置信息的相关性;通过替换使用Leaky ReLU激活函数有效避免了原网络由ReLU激活函数带来的神经元失效问题。通过以上方法,本章建立了适用于玉珠表面缺陷特征检测的神经网络。最后采用消融实验及改进前后算法对比实验进行了验证,实验结果表明CAGN网络结构与原始Ghost Net网络结构相比,在玉珠表面缺陷的检测中有效提高了模型的检测精度。再次,本文构建了基于目标检测模型YOLOv7的CAGN-YOLOv7算法。通过将YOLOv7的骨干网络替换为CAGN神经网络,一方面解决了YOLOv7算法应用于本课题在边缘计算平台部署时结构复杂、计算负载大的问题,另一方面通过结合YOLOv7的SPPCSPC与改进的Rep Conv结构,分别提高了对多尺寸玉珠缺陷特征图的细节关注和实现了推理速度的有效提升。经过整体算法模型的构建,CAGN-YOLOv7结合了CAGN网络结构与YOLOv7算法各自的优点,简化了原YOLOv7的结构,为后续智能边缘计算平台的搭建提供了算法支撑。最后通过改进前后的实验对比,在精度与复杂度方面进行了模型评价,验证了CAGN-YOLOv7算法在玉珠表面缺陷检测中的可行性。最后,本文搭建了针对玉珠表面缺陷的智能边缘计算平台。通过对智能边缘计算平台的整体方案设计,实现了CAGN-YOLOv7算法与国产智能边缘计算平台瑞芯微RV1109的有效结合,通过对各平台进行算法部署的测试与分析,最终实现了整个平台的可行性验证分析,完成了玉珠表面缺陷检测的智能边缘计算平台开发,兼具了实时性与成本的优势,满足了工业需求。