工业产品加工过程中的部分生产工艺如收缩、凝固,会导致产品表面出现划痕、磨损等缺陷。传统生产工序中通常采用人工质检的方式对产品质量进行判断,这种检测方式不仅耗费人力成本,而且无法准确检测产品质量。随着制造业智能化水平的提升,基于深度学习算法的缺陷检测系统逐渐代替人工质检,提高了缺陷检测效率及劳动生产率。但这些复杂的深度学习算法大都需要部署在云端服务器进行训练,无法满足工厂离线执行的需求且难以部署至嵌入式平台中。针对这些问题,本文设计了面向工业品的表面缺陷检测算法训练平台,并对检测算法进行轻量化研究,实现模型在本地的训练。具体工作如下:（1）综合考虑工厂环境及功能需求,本文提出了一种表面缺陷检测算法本地化训练平台的设计方案。通过Inception v4模型判断产品质量是否合格,并基于YOLO v5模型对产品缺陷进行识别,设计了融合这两种模型的本地化训练平台。该平台能够利用产品图像训练检测模型,辅以数据库工具存储训练任务数据,并以电路板产品数据集为例设计实验对平台进行功能测试。（2）以模型精度和模型大小作为首要条件,对检测模型进行轻量化研究,设计两种网络结构优化策略。一种是在网络训练过程中引入缩放因子来鉴别出不重要的通道对模型进行裁剪;另一种是在训练过程中对网络参数进行量化,把32位浮点数据转换为16位整型数据以节省存储空间。并在自主采集的电路板产品数据集上进行实验,结果证明了这两种优化策略能够压缩模型大小。（3）为验证模型轻量化可行性,以产品分类为例,设计了面向工业品表面缺陷检测系统的应用实例。以通用嵌入式计算架构为支撑,将检测模型参数转换为通用嵌入式工程构件,简化嵌入式人工智能中产品分类算法的应用过程,用户仅需简单操作便可在终端完成产品分类检测。本文面向工业品设计了基于深度学习表面缺陷检测算法的本地训练平台,并对检测算法进行轻量化研究,降低检测成本的同时提高检测效率,具有一定的工程应用前景。