随着人工智能技术的发展,中国制造2025的战略构想被提出,中国制造业企业纷纷响应国家政策进行技术革新提高生产效率,中国制造工厂正向着高端化,智能化发展。目前,部分日用陶瓷企业已基本实现自动化生产,但唯独质检环节还采用人工质检的方式。人工质检不仅效率低下,而且对员工的身体健康存在极大影响,而传统机器视觉的方式要对每种瑕疵设计专门的特征算子,不能应付日用陶瓷表面瑕疵的复杂变化。针对以上问题,本文研究了基于卷积神经网络的日用陶瓷表面瑕疵检测方案。基于卷积神经网络的常规目标检测算法一般针对大型和中型的目标检测而设计,忽略了对小目标特征信息的处理,因此不能很好地适用于日用陶瓷表面瑕疵检测。为了解决这个问题,本文提出基于递归门控卷积和混合注意力的瑕疵检测算法。该算法使用递归门控卷积C3模块加强YOLOv5s模型的高阶特征交互能力,并引入全维动态卷积替换部分普通卷积,设计混合注意力模块加在Neck部分的最后以提升特征融合网络对于小目标特征信息的关注能力,最后将边界框定位损失函数CIoU替换为SIoU以提升网络的训练速度。实验表明,该算法对日用陶瓷表面瑕疵检测精度明显提高。此外,针对瑕疵类型小而且相似的情况,本文提出了融合位置注意力和增强纹理特征的瑕疵检测算法,该算法删除YOLOv5多余的网络检测层和C3模块,并设计轻量化模块GBC3代替主干网络中的其余C3模块降低运算量,设计增强纹理和位置特征的融合模块嵌入YOLOv5s模型的关键信息处理位置提高检测能力。实验表明,该算法相较于前一种算法对于日用陶瓷表面瑕疵的检测精度更高,模型更加轻便。最后,根据该算法,本文还设计并实现了一个日用陶瓷表面瑕疵检测的应用系统,该系统不但能够检测日用陶瓷表面瑕疵,还具有瑕疵信息和不合格品信息的统计功能,帮助企业管理人员更好的改善生产措施,提高生产质量。本文研究基于卷积神经网络的日用陶瓷表面瑕疵检测算法,是将卷积神经网络运用到日用陶瓷检测领域的一种尝试,也是对目标检测算法应用场景的一种拓展。该方法不仅为日用陶瓷企业节省了时间和人力成本,而且使得瑕疵的分类和识别有了更客观的定义,提升了日用陶瓷表面瑕疵的检测精度,从而提高了日用陶瓷产品的出厂品质。