随着工业4.0时代的开启和中国制造业的快速发展,企业对产品生产过程中缺陷检测实时性和质量提出更高的要求。因此,如何通过机器视觉和深度学习实现缺陷检测自动化成为学者研究的热点课题。光电部件作为手机相机的固定部件,在生产过程中快速检测部件质量并使用机械手将次品清出生产线尤为重要。但是光电部件生产过程中仍采用人工的方式检测缺陷,该方式人工成本高、速度慢以及自动化程度低。因此,为了克服上述弊端,本文结合现有的传统图像处理和深度学习算法,并根据光电缺陷部件的特点,有针对性地优化模型。本文的具体内容如下:首先,介绍光电部件的生产流程,明确本课题检测对象,并搭建光电部件缺陷图像采集系统。在此基础上,使用采集系统获取大量的部件图像数据,然后完成数据集和标签的制作。随后,搭建基于Nano Det的模号和穴号检测模型。Nano Det通过网络轻量化、多尺度信息融合和多分支预测,构建了兼顾准确性和实时性的目标检测模型。在模号和穴号数量和尺寸确定的情况下,本文优化了Nano Det的Backone、PAN（Path Aggregation Network）和检测头,减少模型复杂度以提高实时性。改良后的模型在检测任务中既保证了准确率,也具有更好的实时性性能。最后,搭建基于传统图像处理和CNN的下模螺纹端口烧伤缺陷检测模型。为减少无关元素的干扰且增强有用的信息,预处理下模螺纹端口烧伤图片,处理主要包括灰度化、高斯滤波、二值化、Canny等;通过轮廓信息确定特征区域位置,并对特征区域进行极坐标变换;将变换后的图像输入到CNN中训练模型,完成训练的网络即可用于检测部件的缺陷情况。算法在烧伤数据集上检测速度满足要求,且准确率达到96%。