人工智能技术有效改善了现代工业生产的任务适应性与生产工艺,逐渐成为现代智能制造的关键技术。国内外研究者们围绕以深度学习为代表的人工智能技术开展了深入的研究,在智能抓取、产品计数、缺陷检测等领域取得了显著的成果。但深度学习卷积神经网络模型仍存在模型参数量大、数据样本量需求高、终端设备实时性部署困难等问题。针对上述问题,本文立足于流水线工件检测应用场景,围绕数据集构建和模型压缩、部署等关键技术展开研究。本文主要研究工作如下:（1）构建了小规模工件检测数据集。模拟生产环境搭建了工件数据采集系统,完成了数据样本采集与图像标注,构建了由20个类别500张图片组成的小规模数据集;针对卷积神经网络模型训练依赖大量数据样本,而工业环境数据采集困难、标注成本高的问题,研究了几何变换、颜色抖动、图像混叠等数据增强算法,通过分析工件图像及生产环境特点,增广工件数据集,提高样本分布多样性并扩大数据集样本量。（2）WPDet工件检测网络设计与模型压缩。首先,搭建了检测网络框架,针对检测算法稠密采样、多尺度预测等问题,设计了引导采样模块,引入了PANet特征融合网络实现多尺度目标检测。分析了工件数据特点,采用GFocal Loss损失函数提升网络训练效果。在自建工件数据集WP和公开检测数据集Pascal VOC上分别开展了对比实验,检测准确率分别达到了99.8%和81.2%。然后,针对模型参数量大,部署困难的问题,研究了可分离卷积和卷积结构重参数化模型压缩方法,构建了轻量的特征提取网络并用于替换工件检测模型的骨干网络,减少了84.8%的模型参数量。（3）构建了以边缘计算设备Jetson TX2为核心的工件检测系统,使用推理加速工具将压缩后的轻量级检测模型量化并部署。经测试,本文模型在边缘设备上的检测帧率达到了44FPS。