随着人工智能相关产业进入发展的快车道,金属制造业仍采用着人工眼检的目标缺陷检测方式进行金属刚材的缺陷检测。这种传统目标缺陷检测方式存在着生产成本高、劳动强度大、误检率高和准确性差等弊端。为解决上述企业生产过程中的产品表面缺陷检测问题、降低人力成本,同时提高检测精度。论文提出通过改进YOLOv3算法模型的方法,来提高金属表面缺陷检测准确率,算法模型以YOLOv3算法模型中的Dark Net-53网络结构作为算法模型的骨干网络结构,通过在神经网络中增加特征图层的方式,提高算法模型对图像中目标的特征提取力度,并且在神经网络中引入空间金字塔池化模块结构来替换特征金字塔网络结构规范化各类缺陷的尺寸大小,减少模型训练的时间和提高对图像中小目标和堆叠小目标的检测精度。同时采用K-Means++聚类算法来等方式来提高神经网络的收敛速度。使用开源数据集训练模型,在经过YOLOv2、SSD、YOLOv3等常见算法模型训练结果对比之后,证明改进后的算法模型在检测准确率上有一定的提升,同时不会大幅度影响算法模型的检测速度,其m AP为模型效果75.76%,检测速度为每秒检测31张。最后,设计并利用现用车间硬件设备搭建起金属表面检测系统的自动化检测装置,并且在实际生产线中测试,希望帮助工厂职员减轻工作压力,同时降低生产成本。本文的主要研究内容如下:（1）首先,考虑到工厂车间内部环境复杂,空气中粉尘颗粒和照明环境差等因素导致图像的成像效果不佳,对缺陷检测的准确率产生不良影响。为解决这一问题,论文中采用在密闭灯箱内进行拍照,降低环境因素的图像成像的影响,然后进行图像处理,尝试使用灰度变换和邻域去噪等方式进行实验,来对减少图像中的噪声。（2）其次,考虑到图像中可能存在着更小目标物体,在这种实际的场景下,论文选择在YOLOv3算法模型的输出层上,增加网络结构中的特征尺度的方式,以此提升算法模型对于目标特征的特征提取能力。（3）最后,为了解决图像中出现小目标物体被遮挡的问题,算法模型采用了空间金字塔池化模块,对图像进行浅层特征和深层特征的提取,提高模型对于图像中产生的堆叠目标的特征提取能力,达到提升算法模型对于目标的检测精度。