表面缺陷检测是工业质量控制环节中最为重要的一步。人工检测方法准确率低、速度慢。随着图像技术的发展,借助自动光学检测系统的机器视觉检测逐渐被广泛应用。视觉检测技术分为传统技术与深度学习方法,而当前存在的传统自动化检测方法,需要人为设计特征表达,严重影响了算法的泛化性。并且由于背景相似等原因无法检测出工业品表面缺陷的位置。近年来,卷积神经网络技术发展迅速,在图像分类等问题上取得了卓越的效果。本文针对传统检测方法的局限性,将卷积神经网络应用于工业缺陷的检测。我们利用缺陷样本对一个端到端的神经网络进行训练,以探测图像中不易发现的缺陷与瑕疵,从而实现更智能化的工业质量控制,有一定的研究意义。本文首先分析了缺陷检测的技术难点,通过对经典检测算法SSD的研究,确立了必须使用多尺度检测算法的技术路线。我们同时结合网络特征融合和特征增强的方法,提出了一个适合当前缺陷检测数据集的神经网络结构FE-Net。由于综合了多个网络特征层特征,在保证检测效率的前提下检测精度大幅提升。其次,本文研究了缺陷图像特征难以提取的问题,所以在FE-Net的结构基础上引入了 Gabor卷积,在丰富先验信息的同时,提高了卷积神经网络对于缺陷边缘、纹理的学习能力。并且Gabor卷积能通过反向传播来获得合适的参数,避免了人工调参。此外,本文针对原有的损失函数会造成训练时定位损失和分类损失不平衡的问题,借鉴Libra R-CNN中损失函数的设计来调整定位损失函数,目的是提高内在点的梯度,获得更平衡的训练。不同的是,我们只引入了一个参数,方法更加简洁。最后,本文完成了完整的端到端网络的设计,并串联了各个改进方法。我们的网络,即“损失函数调整并增加Gabor卷积后的FE-Net”在缺陷数据集GDXray上检测精度mAP为86.81%,相比于原模型FSSD(85.14%)有着近1.7个百分点的性能提升,同时在DAGM数据集上检测精度mAP为95.53%(原模型为91.72%)。本文在完成检测缺陷任务的同时,也有一定的创新性与优越性,能够满足工业生产的精度和效率要求。