缺陷检测是常见且重要的工业场景,由于待检测产品及其缺陷的多样性,传统的机器学习算法在可复用性上表现不佳。卷积神经网络以其强适应性和转换简单等优点在缺陷检测领域得到了迅速而广泛的运用。然而,由于图像表面众多像素级的缺陷特征的提取非常困难,即使特征金字塔可以针对小缺陷特征进行提取,而不同尺度特征图耦合时会损失大部分微小缺陷的特征,使得大背景下微小缺陷检测存在困难,性能难以提升,成为缺陷检测领域研究的热点。本文借助VOC2012、VOC2007公开数据集对Faster-RCNN、YOLO、SSD等算法进行了对比分析,发现针对尺度较大的检测对象,SSD算法在检测速度和精度上具有优异的性能。但是,对于大背景下的微小缺陷,SSD算法存在以下问题:使用VGG16作为特征提取网络容易丢失微小缺陷的特征信息;多尺度特征图中低层特征图缺乏边缘信息和抽象信息导致语义不足,由于高层特征图的尺度较大,难以检测小缺陷;选择的多尺度特征图中仅特征图Conv4＿3作为小缺陷检测特征图,数量不足。针对以上问题,提出并设计了BSSD算法,该算法采用Res Net34提取更多微小缺陷信息解决特征提取问题;选择7个多尺度特征图,增加检测小缺陷特征图的数量;设置回溯层,在多尺度特征图输入分类网络之前将高层网络的抽象信息融合到浅层网络以增强抽象特征的表达能力;融合时设置3种可选的上采样方法:线性插值法、反卷积法与反池化法,实验证明反卷积法效果最好;分类网络的编码层使用1×1卷积代替3×3卷积进行特征转换,避免padding的干扰;同时借助组合数据增广策略改善小规模数据集的训练性能。为了验证算法的性能,采集东莞某工厂生产线上手机表面图片进行标注,制作PSDD数据集,并结合公开数据集VOC2012对算法进行了测试对比。BSSD算法在两种数据集上的m AP分别为82.3和76.5,FPS别为18和16。结果表明BSSD虽然在普通图片精度不明显,但小目标检测精度结果显著。在VOC2012六类小目标上m AP度也表现出显著优势。同时与SSD的改进算法DSSD、RSSD、FSSD对比,实验数据表明BSSD算法精度上可以与DSSD媲美,速度与FSSD相差不大。最后,针对手机表面缺陷检测,设计一套集图像数据管理、网络训练、缺陷检测结果展示、分析、预警于一体的缺陷检测软件系统,成功运用到东莞某工厂手机检测流水线中,效果良好。