国家发展的标志是工业,工业是国民经济发展的主导力量。衡量工业发展的一个重要指标是生产效率,提高生产效率的有效方法之一就是解决瓶颈工序问题。工业生产中普遍存在的一个瓶颈问题就是工业品瑕疵检测。目前用于实际生产环境中工业品瑕疵检测的算法有色差公式、模板匹配和深度学习目标检测算法。其中色差公式和模板匹配方法对环境要求较高,鲁棒性低,同时对使用者提出了要求,使用门槛较高,不适用于实际生产环境下的工业品瑕疵检测。深度学习目标检测算法分为one-stage算法和two-stage算法,具有使用门槛低、鲁棒性强的优点。two-stage算法检测精度高,但是检测速度较慢,one-stage算法的检测速度远远快于two-stage算法,但是检测准确率略低于two-stage算法。两类深度学习目标检测算法在检测精度和检测速度上都无法达到平衡,研究快速准确的目标检测算法势在必行。结合工业品瑕疵检测的客观需求和现实生产环境的特点,本文针对经典的one-stage模型SSD存在的网络衰退问题和模型过大、检测速度较慢的问题和YOLOv3特征输出层较少、对大目标物检测能力差的问题,提出一种基于残差网络和注意力机制的one-stage目标检测模型,提高了模型的检测速度和检测准确率。针对SSD和YOLOv3由于浅层特征层语义信息不足,在目标检测中对小目标物检测效果差的问题,提出了基于反卷积与特征融合的方法,提高了模型对小目标物的检测准确率。针对常用的损失函数有的不具有尺度不变性,有的对小目标不友好等问题,提出了一种基于LWR的损失函数,该损失函数具有尺度不变性,易于训练,并且对小目标友好。针对SSD无法根据数据集灵活生成合适的先验框尺寸值的问题,和YOLOv3对先验框尺寸值的计算易受离群点影响,并且没有考虑模型特征输出层的感受野大小的问题,本文提出了一种改进后的先验框尺寸计算算法,该算法结合了数据集中目标物的大小分布情况和模型本身的特点,为每个数据集生成一组适合的先验框尺寸,从而提高模型的检测精度。通过以上的工作,使得FA-SSD模型在速度和精度上达到了平衡,具有较快的检测速度和较高的检测精度。本文选用了目标检测领域的两个公开数据集Pascal VOC 2007数据集和DIOR数据集,同时选用了工业品表面瑕疵的两个公开的中小目标数据集:热轧钢带表面缺陷数据集NEU-DET数据集和德国纺织纹理数据集TILDA数据集共计4个数据集,在相同实验环境下,将FA-SSD模型与SSD、YOLOv3和DSSD进行对比实验,对FA-SSD模型的有效性进行验证。实验结果表明,FA-SSD有效提高了小目标物的检测准确率,在检测速度和检测准确率上达到了平衡,在目标检测通用数据集和工业品瑕疵检测数据集上均表现良好。