缺陷检测是工业生产中产品质量控制的关键环节，也是目前工业生产实现全自动化的一个瓶颈。基于人工的产品缺陷检测方法存在检测效率低、成本高、容易误检漏检等缺点，已经无法适应现代高速自动化的工业生产要求。而基于传统机器视觉的缺陷检测方法，虽然可以在一定程度上弥补人工检测的缺点，但是其检测设备往往结构复杂、价格昂贵，只能应用于对特定目标的检测。当检测目标改变时，需要由具备专业知识的人重新进行复杂的特征提取和特征选择过程，由于人工设计的特征不能有效覆盖缺陷的全部特征，所以在检测效率和准确率上受到了限制。同时在复杂的工业环境和复杂的检测背景下，传统的机器视觉检测方法往往也受到了限制。
　　本文研究了缺陷检测的发展现状，针对目前工业缺陷检测中面临的问题，在样本数据较少的情况下，提出了一种基于深度学习的Inception-V3图像分类算法和YOLO-V3目标检测算法相结合的工业自动化缺陷检测方法，避免了传统机器视觉缺陷检测算法复杂的特征提取过程：首先将待检测图片通过YOLO-V3目标检测模型获取“感兴趣”区域，然后对这些区域依次进行数据增强后通过Inception-V3缺陷识别模型，对获取的识别结果取平均值后和设定的阈值比较，得到缺陷识别结果。本文通过采集现场图片，制作实验数据集，采用数据增强、迁移学习等技术分别训练了YOLO-V3缺陷区域检测模型和Inception-V3缺陷识别模型，然后通过实验验证了本文提出的缺陷检测方法的有效性，相比只应用图像分类算法的检测方法具有更高的准确率和稳定性，同时该方法能应用在复杂的检测环境和检测背景下，在多目标检测中体现优势。
　　本文针对提出的缺陷检测方法设计了一整套模块化的缺陷检测系统，包括数据采集模块、目标检测模块、图像识别模块、报警模块、数据存储模块。模块间通过MQTT、Redis的发布订阅机制和ModbusTCP协议实现通讯或数据共享。缺陷识别模型通过TensorFlowServing进行部署，支持gRPC调用和热部署，方便模型管理。该系统硬件成本低，部署和扩展操作简单，可应用于大规模的工业自动化检测场景中，具有很好的应用价值，对中小企业实现自动化缺陷检测，提高生产效率具有重要的意义。