本文主要探究深度学习目标检测算法在缺陷检测方向的应用,研究内容分为两部分,分为桥梁病害检测和摄像模组脏污检测。在桥梁病害检测方面,桥梁在世界的发展历史悠久,已成为了人民生活的重要组成部分。在桥梁运行过程中难免会出现各种病害等,所以对桥梁可能出现的病害进行检测是一项非常重要的任务。传统的人工桥梁病害检测方法专业性强、检测成本高、准确度不够,因此,利用机器视觉技术开发一种稳定高效的桥梁病害检测方法迫在眉睫。在摄像模组脏污检测方面,如今摄像模组已经成为手机、平板电脑等不可或缺的一部分。而在模组生产过程中由于生产环境的问题有时会出现脏污,脏污的出现会影响模组质量。针对此问题,现有的视觉方法大多是传统处理算法,使用深度学习解决此问题的方案寥寥无几。因此,针对摄像模组脏污问题利用深度学习算法设计一种准确且快速的检测算法极具应用价值。本文的两项工作都是在目标检测YOLOv5算法基础上针对项目研究做出的改进,主要工作如下:（1）针对桥梁病害检测,首先在目标检测YOLOv5算法基础上以提高桥梁病害检测方法的准确性为目标,探究改进方法来提高模型检测的效果。本文使用了三种改进方式,第一,加深了原有的YOLOv5检测模型深度,并增加了一个目标检测头,提高了小目标检测的检测效果。第二,改进了原有的SWA目标检测训练方法,将使用余弦退火学习率训练后的模型从求平均数的方法改为求中位数,提高了目标检测方法的鲁棒性。第三,使用Soft-NMS方法代替了原有的NMS方法以改善密集情况下的检测效果。最后将改进后的算法搭建了Http接口实现了模型部署。（2）针对摄像模组脏污检测,首先提出了一种利用像素值相减并取绝对值的差分方法,成功扩充了原有的摄像模组脏污数据集。同时在网络结构上,通过Rep VGG网络结构融入YOLOv5网络,替换其中部分卷积结构以加强神经网络的特征提取能力,经过实验验证提升了目标检测效果。