产品外观质量检测是工业生产中的重要环节,随着计算机硬件和检测算法的进步,工业环境下机器视觉产品检测方法逐步替代人工检测。不同的产品具有不同的待检测表面,产品表面常常出现污渍、划痕、裂纹、变形等不同残缺情况。因此,待检测图像种类繁多。目前工业的检测算法缺乏普遍的迁移学习能力,一种普适的算法是目前工业检测领域所追求的。本文结合卷积神经网络算法,针对工业生产中工业产品表面的质量检测问题。提出了一种基于图像局部信息的基于图像切割的缺陷检测算法。本算法通过构建一个卷积神经网络对切割所得图像块进行分类,并使用投票机制,对图像中的每个像素点进行目标和背景的二分类。通过投票所得票数达成对图像的检测和缺陷区域的定位。在算法实现基础上,本文针对算法在训练和检测速度缓慢的问题提出解决方案。针对训练速度过慢问题,本文通过增加网络的一条支路加快训练速度。同时,针对算法在检测速度上速度缓慢问题。本文使用在特征图像滑动窗口替代图像切割的方法,减少图像在分类过程中的重复计算。在算法检测速度提升的基础上,本文提出使用同时使用两个不同切割尺寸的网络结构,使用加权方式对两个网络的检测结果进行融合,成功降低检测失误率和精细化定位边界。本文分别在德国模式识别协会(GAPR)提供的三组不同纹理图像集和金属垫片、螺丝两组不同结构类图像集上对本文算法适用性进行了验证。在数据集较大的三组纹理图像中,本文算法达成95%上的检测成功率,其中检测效果最佳一组达成检测精度98.6%。在数据集较小的金属垫片、螺丝这两组结构类图像集中,本文也达成89%的检测精度。成功准确检测出缺陷区域。同时,本文算法训练速度经优化后得到约8倍的收敛速度提升,算法的检测速度经优化后得到速度提升约17倍,检测时间约为0.5 s。实验证明本文所提出算法在此类数据集中有着广泛的适用性和较高的检测精度。