瓷砖作为装饰材料,在建筑领域中被广泛的应用。瓷砖的生产需要经过研磨、混合、压制、施釉、烧制、分级等过程,在这些生产过程中会导致瓷砖表面出现一些不可控的瑕疵,这些瑕疵的存在直接影响瓷砖的外观和使用寿命。为保证流入市场瓷砖质量和提高企业的竞争力,在出厂前需要对瓷砖的表面质量进行检测。现在虽然很多企业使用自动化的机器检测瓷砖的平整度和尺寸,但一些常见的表面瑕疵仍要依靠大量的人工进行检测,这种检测方法效率低下、主观性强,已经不能满足现代工业的生产要求。基于现阶段所存在的问题,本文将深度学习技术应用于瓷砖瑕疵检测,通过对比实验选择合适的基础模型,并对其进行一系列的改进优化,用以提高瓷砖瑕疵检测的精度和速率。本文的主要研究内容如下:1.数据集的制作。原始图像的采集,针对高分辨率图像下的小目标瑕疵检测,将原始图像从左往右、从上往下依次滑动切片。除此之外,我们对数据集中各类别瑕疵数目进行统计,利用Albumentation数据库对数目少的瑕疵类别进行水平翻转、竖直翻转和镜像翻转。2.基础模型的选择。本文研究了当前主流的目标检测模型,将数据集图像分别输入到VGG16-SSD、YOLOv3、YOLOv4、YOLOv5s和YOLOv5m模型中。通过对比和分析实验结果,选择YOLOv5s作为基础模型,进行一系列的改进和优化。3.模型的改进和优化。本文逐步分析数据集图像和每次实验结果,对YOLOv5s模型进行了一系列的改进和优化,包括以下几个方面:（1）加深主干网络,提取更小目标的特征,使模型学习到的特征更加全面。（2）在颈部网络中重新融合不同尺度的特征图,增强上下层特征的融合能力,提高检测精度。（3）在模型中添加注意力机制模块,自适应的学习权重,降低无关特征信息的干扰。（4）针对数据集中存在的小目标瑕疵,增加一个16×16的小尺寸检测层,网络模型由3输出预测层增加为4输出预测层。（5）为了降低模型的参数量,提高检测效率,利用深度可分离卷积替换原始卷积模块。本文通过消融实验依次验证了改进措施的有效性。实验结果表明改进得到的YOLOv5s+模型准确率为94.27%,F1为89.95%,m AP值为92.80%,FPS为83.3,相较于原始模型分别增加了6.09%、6.53%和6.15%。对比YOLOv3、YOLOv4、VGG16-SSD、YOLOv5m在各项评价指标上均有明显的优势,为瓷砖表面瑕疵检测的工业化提供了一定的理论依据。