产品的外观检测是生产中必不可少的一个步骤,目前大部分工厂采用人工检测的形式,不仅增加了产品成本,而且具有检测效率低、检测精度受限于人工经验等问题。为解决以上问题:本课题提出一种基于深度学习的工业产品外观检测算法。本课题的研究工作如下:（1）制作数据集。首先通过人工来对外观有缺陷的阀门进行拍照采集。由于拍摄的照片有限,因此对图像进行预处理后,根据实际生产环境中的变化因素例如光照影响等,对采集的图片进行数据增强。最后使用天津华大科技有限公司的图像标注平台对样本数据中的缺陷进行标注,保存后会直接生成图片对应的xml信息。完成图像数据集的构建。（2）对特征提取网络进行分析。为了得到更高的检测精度,选择对较为最新、模型复杂度更大、层数更深的深度残差网络Resnet系列网络进行探索和研究。以Faster-RCNN为出发点,将其骨干网络分别改为了Resnet＿50和Resnet＿101进行实验,并对网络模型进行优化和修改。实验结果表明,以Resnet＿50为骨干网络的模型训练准确率相较于第二种略高一些,因此,选取以Resnet＿50为骨干网络的Faster-RCNN网络模型继续进行改进试验。其训练精度为99.5%,高于改进后的以Resnet＿101为骨干网络的Faster-RCNN网络。（3）由于Faster-RCNN网络自身的局限性,本文提出将注意力机制板块与卷积神经网络嵌套的算法。目的是为了增加内部特征点和外部长距离的相关性以及增强特征图的表征能力和图像特征抓取能力。通过在骨干网络（特征提取网络）中嵌入通道注意力板块,计算图像各层次特征图中各部分特征点之间的相关性参数。（4）Faster-RCNN算法内部的特征网络金子塔结构使用的策略是原始特征融合。即将图像深层信息图逐步和浅层的信息图交融。该方式的弊端是会产生图片信息各层次特征没有完全充分融合的问题。为了使这一问题得到改善,本文对特征融合算法进行了改进。第一步是通过融合特征信息把不同尺度的特征信息修正至一种尺寸。然后输出的特征图与注意力机制相结合,注意力模块会在内部对信息图进行处理。由于输出的是同尺度的特征图,因此需要再将其处理至多尺度的特征图,以此来完成更充分有效的融合多尺度信息,以供接下来的网络继续使用。最后,使用自制数据集对算法的有效性进行验证,其对划痕缺陷的检验率为95.8%,错检率为0.59%,过检率为0;对标签的检出率为100%。实验结果表明,本文算法的平均精确度值较改进前提升3.7%。