磁性材料是生产电子元器件的重要原材料之一,尤其在信息技术高速发展的二十一世纪,国民生活、工业和军事领域对电子设备的需求越来越大,所以对磁性元器件的需求量也随之增加,例如电容、电感以及IC等,进一步磁材料的外观缺陷检测市场需求随着电子产品市场的增张而增长。尤其在磁材料外观缺陷检测领域,传统的检测方法基本靠人肉眼识别,效率较低、成本较高,而且误检率高。近几年也有开始用机器视觉的方式进行外观检测,也逐步开始渗透整个领域,但是机器视觉也有缺点,使用场景单一、设备昂贵、算法设计有难度等等。本文针对以上在磁材料外观缺陷检测领域目前的存在的问题,结合近年来深度学习相关发展成果,提出了基于深度学习的磁材料的外观缺陷检测的研究与应用。重点是基于卷积神经网络,尤其是目标检测中的YOLO(You Only Look Once)算法,在现有采集到的样本数据上进行实验分析,实验结果证明了本文提出的方法的可行性。然后针对所采用的YOLO算法在本实验样本数据上存在的问题,又提出了两个改进点。第一个改进点是在空间特征和通道特征上增加注意力模型,在基础网络中嵌入CBAM(Convolutional Block Attention Module)可嵌入式网络,实现了在不显著增加网络参数和模型体积的情况下,mAP(mean Average Precision)提升1%左右;第二个改进点是利用BN(Batch Normalization)层中的缩放因子,加入稀疏因子对网络进行稀疏化训练,然后根据提前设置好的剪枝比例对稀疏化模型进行通道剪枝操作,实验结果证明在保障mAP基本不变的情况下,模型参数和模型体积可以减小到原来的1/6,前向推理时间缩短至原来的1/3,这有助于在GPU计算资源和存储资源受限的嵌入式设备中部署网络模型,应用于边缘计算的分布式服务架构。