随着信息科技技术和智能制造技术的发展,传统工业制造正向自动化,智能化,信息化发展。通过依托信息控制技术,联合时下互联网新兴技术,将互联网技术与传统工业控制技术相结合,能够为原有的设备自动化控制、工厂生产设备状态监控等提供更智能和灵活的平台,实现生产资源利用率的提升,解放大量人工生产力。同时,深度学习技术的发展也为智能制造、瑕疵检测提供了更完善的技术,然而目前智能化瑕疵检测系统仍然存在诸多问题:(1)普遍采用传统的卷积神经网络作为特征提取网络,在使用卷积神经网络提升网络拟合能力的同时,丢失了小目标的像素信息,针对小目标瑕疵检测的精度仍然不够。(2)普遍采用边缘计算进行瑕疵检测,由于深度学习和图像识别技术的特殊性,对硬件计算能力的要求十分高,造成目前的瑕疵检测智能系统成本巨大。为了解决以上问题,本文基于深度学习技术搭建了小目标表面瑕疵检测系统。本文提出了一种通过多空洞率卷积,融合多感受野特征图提升小目标检测性能的算法,并在系统中实现自动化检测产品瑕疵的功能。该算法改变了传统目标检测网络中固有的卷积层,通过联合多个不同空洞率的空洞卷积来获取多个感受野的特征图,缓解了传统目标检测网络对小目标分辨率不足和感受野缺失的问题,通过仿真实验证明对小目标检测具有更好的效果。我们的主要工作是:(1)通过调研目前产品瑕疵检测的实际要求,制定基于深度学习的智能检测系统的设计和结构;(2)调研目前主流小目标检测算法,提出一种通过空洞卷积增强小目标检测精度的网络结构和训练方案,并通过仿真实验验证对小目标数据集的检测效果;(3)以小目标检测算法为核心,构建一套以边云协同为基础的产品瑕疵检测系统。最后,本文提出的小目标表面瑕疵检测系统能够实现在云端远程和现场两个权限对产品生产线的双重控制,通过基于多空洞率卷积的小目标检测网络提升了对小目标瑕疵的检测精度,并实现了产品表面图像采集、产品表面缺陷检测、产品缺陷报警、产品质量检测数据分析的功能,大大降低了管理人员的操作成本。