随着市场对工业产品的要求越来越高,基于传统数字图像处理的自动化表面缺陷检测难以满足实际生产需要。随着基础硬件计算力的提升,人工智能（AI）技术逐渐登上应用舞台,这促使基于深度学习的表面缺陷检测方法成为工业视觉领域中的主流研究方向之一。然而,AI应用开发有着训练数据来源及格式复杂、训练依赖于多类型资源、开发流程繁琐等特性,现今公开的AI解决方案和相关平台存在模型和图像数据管理不统一、数据安全性不高和没有形成AI开发应用的完整闭环等问题与挑战,这些问题已成为工业制造企业智能化转型的绊脚石。针对上述问题,本文旨在为制造型企业构建一个工业产品表面缺陷检测领域的私有化AI模型开发平台,整合并简化AI开发部署流程,让企业可一站式开发应用AI技术。通过简化AI应用开发流程,降低深度学习的应用门槛,提供数据管理、深度学习模型开发、存储与计算资源管理、API服务发布等功能,为高效、低成本地进行AI产品的开发与应用提出了一种新的思路。本文的主要工作如下:（1）产品表面缺陷检测识别一体化模型构建。平台构建了缺陷检测领域用到的神经网络模型,对平台主要使用的Mask RCNN结构模型从轻量化和增强特征提取能力两方面进行了改进,并通过实验验证了改进方式的可行性。平台通过定义一种新的JSON数据格式统一了图像和标注信息的存储规则,用户可通过预先设置模型对应的超参数,一键式训练出高精度、可应用的模型,提高数据利用率和模型训练效率。（2）可视化缺陷检测模型开发。采用C/S架构在企业内部局域网构建一体化AI训练和应用平台,该平台囊括用户管理、数据存储、数据标注、模型训练、模型评估、模型测试和服务部署等深度学习技术应用全流程,并提供可视化操作界面,形成了开发和应用的完整闭环,降低了深度学习应用的人力与时间成本,提高了AI模型的开发效率。（3）模型训练资源调度管理。使用分布式集群技术调配资源,Hadoop HDFS文件系统作为模型和训练数据的存储组件,Kubernetes技术集群管理平台的硬件资源。使用Docker容器搭建深度学习运行环境,隔离每个模型训练和服务任务。该方式整合了所有硬件资源,保证了存储和计算资源的公平分配和充分利用,提高了平台的任务执行效率和资源利用率。本文设计并实现了该平台,基于瓷砖、电缆、地毯、皮革等多种真实数据对平台进行了验证,结果表明,在工业产品表面缺陷检测的应用场景下,本平台的开发效率和检测精度满足市场对AI产品开发与应用的能力要求。该平台的实现为工业表面缺陷检测领域的企业高效、低成本地进行AI产品的开发与应用提供了一种新的思路,在一定程度上可以加速传统制造企业向智能化、信息化转型。