缺陷检测是工业生产过程中把控出厂产品质量的关键步骤,实现自动化缺陷检测对促进“智”造业发展有着重要意义。近年来,深度学习算法被广泛应用于缺陷检测领域并取得了不错的检测效果,但现有的相关研究大多仅针对某特定的检测场景,且对运行检测程序的设备性能要求较高,不具备良好的可迁移性和推广价值。文中通过总结缺陷检测应用场景的共性,使用基于神经网络的机器视觉方法设计并实现了一个可迁移、高适配的缺陷检测应用框架,同时提出了两种轻量化改进方案使其可在低资源嵌入式平台中平稳运行且达到高精度、低时延的检测效果,主要研究内容如下:（1）针对常见缺陷检测任务中存在的共性问题,设计并实现了一个基于机器视觉的深度学习缺陷检测框架。该框架使用YOLOv5s模型识别待检物图像中感兴趣的目标位置及其类别以做出缺陷判断,并通过数据增强及迁移学习的技术手段来缓解缺陷数据集采集困难的情况,最后将其检测部分移植至嵌入式平台中运行测试。此外还将整体框架进行模块化封装,使其具有良好的可迁移性。（2）为提升缺陷检测框架在嵌入式平台中的运行效果,针对框架中使用的YOLOv5s目标检测网络提出了两种的轻量化改进方法。其一是分析特征提取网络的组成结构,择选其中部分卷积层改良为感受野加强的轻量级卷积层,达到在保证精度的同时降低网络复杂度的目标。其二是重新设计网络的检测头部分,去除原网络使用的锚框（Anchor）机制,并对预测框表示方法以及训练过程的正样本匹配方法进行修改,增强模型性能的同时还避免网络训练时拟合数据集锚框的步骤。经过实验测试,应用两种改进方法后的网络模型在嵌入式设备中均可提升模型推理速度。（3）通过自采待检物图像并标注的方法制作电缆组装部件数据集,结合前文提出并改进的检测框架对电缆组装件的自动化缺陷检测系统进行详细设计,最后将系统部署至嵌入式平台Jetson Nano中测试。测试结果表明,文中提出的基于机器视觉的工业产品缺陷检测解决方案可满足实际运行需求,具备较好的工程应用价值。