本文主要针对发动机零部件喷油器阀座的缺陷检测算法进行研究,目前这类细小零部件的瑕疵检测主要依靠人工视测或传统的机器视觉检测。人工视检检测效率低,无法保证检测的速度和准确率。传统的机器视觉检测方法虽然高效,但是应用环境苛刻,容易受光照、相机位置、背景等其他因素的影响,鲁棒性差,对特征信息的提取能力十分有限。针对上述问题本文开展了基于深度学习的喷油器阀座表面瑕疵检测算法的研究。针对原有喷油器阀座检测速度不足、效率低下的问题,在原有YOLO v3特征提取网络基础上进行精简优化。通过裁剪网络分支并压缩卷积层,加快特征提取速度。同时加入CSPNet网络,与原有YOLO v3中的残差网络结合,减少网络计算量。经实验测试,精简优化后的YOLO-tiny网络对每张图片的平均检测时间缩短至5.5ms,提升为原YOLO v3检测速度的十分之一,改进效果明显。改进后的网络不易区分点瑕疵和坑洞瑕疵导致检测精度低,误检、漏检率高。针对这一问题本文提出一种新的优化方法,即在网络中嵌入CBAM注意力模块,在空间和通道两方面对特征信息的提取过程进行优化。经实验测试,嵌入CBAM后的网络对点瑕疵的准确率提升至84%,坑洞瑕疵的准确率提升至87.3%,并且网络依然保持检测速度快、体积小的优势。加入CBAM后的网络对点瑕疵的检测精度依然低于其他两类瑕疵,漏检率达到9%,漏检现象明显高于其他类型。为提高点瑕疵的识别率本章提出一种针对小目标瑕疵检测的多尺度改进方案,增加104×104×255的检测尺度同时去掉原网络中针对大目标的13×13×255检测尺度。经实验测试,网络对点瑕疵的准确率提升至87.8%,漏检率降至6%,识别效果明显提升。本文在私有数据集进行实验测试,最终改进后的YOLO-tiny网络对瑕疵测试集的m AP提升至85.92%,相比原YOLO v3网络提升了5.55%,对每张图片的平均检测时间减少到6.7ms,检测速度约提高了10倍,且改进后的网络模型体积只有26.8M,说明改进后的YOLO算法能有效实现喷油器阀座的瑕疵识别,其轻便的体积为以后移植在嵌入式设备提供了可能性。