工业4.0的不断推进,也进一步促使了人工智能与工业生产的结合。利用人工智能的方法,解决工业中的一些问题也成为发展过程中重要的一环。本文主要是对半径在5mm以内的小刀断刀进行检测。该大小的刀具在加工过程中一般出现断刀的情况,整个断刀系统对该情况的检测有比较好的使用价值。通过GooleNet进行迁移学习,实现对断刀的检测。对于拍摄到的图片,首先通过模板匹配以及对图像的缩放等方法,去除无关的背景,并将其统一化到同等大小,这样可以有效的去除刀具的大小对最后结果影响,同时也增强了整个模型对刀具大小的适应性。然后将处理后的图片作为训练集,在训练过程中,通过参数的设定,以及对训练过程中出现的过拟合等问题进行处理,最后达到了90%左右的准确率,但是整个模型在拍摄条件比较差的情况中的表现并不是很好,整体准确率有一定幅度的下滑。针对出现的这些问题,通过对模型进行迁移学习,添加inception模块对原有的网络模型进行改进,增加了原有模型网络的深度和宽度,同时对原有模型中出现的过拟合的问题也有了比较好的解决,并且在整个训练过程中,训练的速度是原来速度的1.5倍,同时针对原来模型中对一些拍摄条件较差的图片也有比较好的学习结果,针对各种数据最后的准确率都可以保持稳定在96%左右。相对于原有模型,在准确率以及运行效率上都有一个比较大的提升。