金属制品在工业生产过程中,常常会由于各种因素受损,产生缺陷。过去,企业往往采用人工检测的方法进行筛选,该方法工作量大,检测速度慢,无法满足实际需求,而基于机器视觉的表面缺陷检测技术能够克服人工检测的缺点,已成为工业生产线中的关键检测技术。然而,传统机器视觉检测算法步骤繁琐,通用性差,且容易受到光照,阴影等环境条件的影响,其人工设计的特征更是存在着较大的局限性,难以应对复杂多样的金属表面缺陷。随着人工智能技术的蓬勃发展,拥有强大表达能力的深度学习备受关注,采取基于深度学习的方法能够发挥出远超传统检测算法的性能。YOLOv4是业界先进的目标检测算法,取得了精度和速度上的平衡,但其直接应用在金属表面缺陷检测上仍然存在着不足,如:算法的特征提取能力不足,对小目标以及宽高比大的缺陷检测精度有待提高,据此,本文提出了基于改进YOLOv4的金属表面缺陷检测方法,具体研究内容如下:（1）针对多类别缺陷检测进行了优化,提出了第一种改进YOLOv4算法,在综合检测精度上更高。主要有三点改进:在CSPResblock模块中引入SE注意力模块,增强了对金属表面缺陷的特征提取能力,改进空间金字塔池化层,提高了对宽高比大的缺陷的检测效果,融合浅层信息优化PANet结构,改善了对小目标的检测效果。（2）主要针对小目标检测进行了更彻底的优化（仅采用一条浅层输出路线,充分利用浅层信息）,提出了第二种改进YOLOv4算法,在对数据集中的小目标检测时精度更高。对小目标的改进措施如下:将网络改为单输出层的结构,且采用浅层特征图作为输出,同时,在分配先验框时,将9个先验框都分配在同一层上,改善对于小目标的检测效果。此外还做了其它优化,采取K-means++聚类先验框,使用CSP残差结构替换五次卷积模块。（3）上述提出的改进模型都具有较大的参数量,容易受到硬件平台的制约,考虑于此,为了压缩模型的大小,对轻量化网络进行了分析研究,首先,分析了Mobilenet和Ghostnet两种轻量化网络,其次,对比了Mobilenetvx（1-3）-YOLOv4,Ghostnet-YOLOv4的检测性能,其中Mobilenetv3-YOLOv4算法表现出了更好的性能,即Mobilenetv3的轻量化方式更适合模型的压缩,最后,以第一种改进算法为例,采取Mobilenetv3轻量化网络的结构对算法进行修改,轻量化后的改进算法在模型参数量上得到了极大的压缩,检测速度也获得了提高,同时还保留着较高的精度。本课题使用了三个数据集,天池铝材缺陷数据集,北京大学PCB缺陷数据集,本课题自行采集的金属导轨缺陷数据集。采取第一种改进YOLOv4算法对铝材十类缺陷进行检测,精度达到79.27%,采取第二种改进YOLOv4算法对PCB小目标缺陷进行检测,精度可达到98.71%,两种改进算法在对本课题采集的金属导轨缺陷检测时,精度分别可达到88.02%和87.25%。特别的,基于Mobilenetv3的改进算法精度为86.46%,FPS为49.01,参数量为43.80MB,牺牲了些许精度,换来了FPS的提升,参数量为原YOLOv4算法的五分之一不到。