我国制造业正处于向“智造业”转型关键时期,这其中缺陷检测环节必不可少,因此应用现代化机器视觉技术替代耗时耗力的人力工作,是一个重要研究内容。而今在机器视觉领域,深度学习逐渐在一些应用中取代传统视觉算法。但是,根据目前深度学习的发展现状,大量的有效数据是具体应用的必要前提,也是由于这个原因,少样本学习问题是很多场景中面临的最现实的问题。本文的研究课题来源于江西一家生产轴承滚子的企业,针对该企业生产产品的缺陷检测问题,分析了上述研究问题,提出了一种针对少样本缺陷数据集的YO-FR算法作为缺陷检测方法,设计并实现了针对该企业产品的缺陷检测系统,并且将YO-FR算法应用于其中。本文具体的研究路线和设计开发过程如下:首先了解企业生产过程,收集缺陷产品,使用专业设备对工件的不同角度进行拍摄,收集包含产品缺陷信息的图像,制作成PASCAL VOC格式的标签数据,并且利用目标检测算法对其学习的效果,多次优化分类和调整标签信息,最终得到较为合理的工件缺陷少样本数据集LSData。然后针对数据集仅有少量样本的问题,利用迁移学习,提出了一种基于单阶段算法和双阶段算法改进的少样本缺陷检测算法,并使用了有利于减缓少样本学习过拟合问题的DB正则和LK正则方法,有效的提高了检测准确率。为验证方法效果,设计进行了对比实验,实验结果表明,YO-FR算法在检测速度方面满足基本要求,并且相比于基本的目标检测算法,其检测精度也有较好的表现,更适合少样本数据集情况下的缺陷检测。最后,根据企业产品的特点和实际需求,设计并实现了利用YO-FR算法模型以及可以兼容使用及其他目标检测模型的缺陷检测系统。该系统可以实时的展示正在被检测的产品的检测结果,以及必要的硬件参数,实现了对硬件的相关控制,并且可以统计指定时间,指定条件的检测结果,有利于工作人员对产品缺陷检测结果的统计、分析和反馈。