在金属产品加工制造中经常会产生一些过长或过小的缺陷,将这些缺陷统一称为极端尺寸缺陷。针对金属产品加工制造中出现的极端尺寸缺陷易出现漏检误检的问题,本文提出一种通用性的缺陷检测方法,用于带有极端尺寸缺陷的金属表面缺陷检测。该方法以FCOS网络模型为基础进行改进,首先将正则化方式由批正则化调整为组正则化,使得网络对小批量的输入进行正则化也能取得很好的效果。其次将原网络中的center-ness指数进行了调整,使之减少了对于极端尺寸缺陷非中心位置预测值的抑制效果,很大程度上降低了极端尺寸缺陷检测时因为center-ness过小造成漏检的概率。此外,本文还提出一种自适应中心采样的方法代替原有的中心采样,这种方法可以根据标注信息调整采样数量,在采样时加入了更多的真实信息。最后,基于原模型损失函数存在的问题,本文采用GIoU损失函数替换了原始FCOS网络中的IoU损失函数。本文将这种改进后的FCOS模型称为advanced-FCOS。这种基于改进后的FCOS模型的深度学习缺陷检测方法,对于极端尺寸缺陷有很好的效果,同时对于常规尺寸缺陷的检测准确率也高于诸如Faster R-CNN以及YOLOv3这样的常见目标检测框架。本文提出的框架还能够做到平均6帧每秒的快速检测,可以运用在实际工业生产现场当中。