注塑制品连续生产过程中,不可避免产生有缺陷产品,为了提高制品良品率有必要将有缺陷产品挑出来,传统手段是依靠人工检测,检测标准难以统一,检测速度慢不能适应高强度检测需求,此外传统机器视觉算法在检测模型搭建过程中,过于依靠熟练的经验来进行模型构建,且模型的通用性不佳,造成了传统视觉检测手段在企业安装部署的成本较高,不利于后期维护。而基于神经网络的视觉检测手段可以更高效地完成模型搭建。本文提出了一种基于神经网络的缺陷检测系统,不仅可以实现缺陷分类任务,还可以对缺陷位置进行定位,主要研究工作如下:（1）根据注塑制品的特点设计一套缺陷检测硬件装置以完成图像采集任务,完成了重要器件的选型与光源布置,搭建了漫反射式的穹顶照明检测平台,解决了制品高反光性和缺陷不突出问题。（2）根据原始数据集的分析,提出了基于YOLOv5s的改进模型及预处理方案。对不同数据预处理效果分析,介绍了YOLOv5s模型结构和缺陷目标检测的评价方式,针对小尺寸缺陷检测不佳的问题改进了YOLOv5s模型的多尺度缺陷检测性能,平均精度均值提高了2.18%。（3）根据注塑生产需求分析,设计开发了一个缺陷检测人机交互软件。分别设计了用户登陆注册模块与缺陷检测模块。随后对注塑制品缺陷目标检测系统综合测试,表明检测模型可以适应一定环境干扰,缺陷制品缺陷实时检测准确率83.2%,FPS达到了22.17,缺陷制品漏检率达到1.87%,基本满足高帧率实时工业注塑表面缺陷目标检测任务。