基于深度学习的裂纹识别是计算机视觉中一个重要的任务,在工业界有着广泛的应用,例如对于桥梁,建筑,大型交通工具等环境下的裂纹进行识别。裂纹普遍存在于各类环境中,但是同一类环境下的裂纹一般数量较少,并且裂纹的形式多种多样。除此之外,裂纹识别主要被应用于机器人等产品上。本文主要解决边缘设备裂纹识别任务算力不足问题,构建了FRCRU算法解决数据不均衡问题,设计了通用大模型作为技术储备。本文以裂纹识别存在的三个挑战为着手点进行研究。（1）在裂纹数据的处理方面,裂纹数据分布不均匀,存在长尾现象;（2）在裂纹识别的模型训练方面,裂纹样本复杂,通用识别困难;（3）在模型的部署方面,在机器人,无人机等产品中,识别模型难以部署于这类边缘设备。针对裂纹数据分布不均匀,存在长尾现象的问题,本文提出了处理裂纹数据不均衡的数据增强算法FRCRU。本文通过数据集重构和引入新评价指标的方式解决了评价指标失效的问题。针对数据集不均衡性和裂纹图片的特性,本文提出相对应的数据增强方法,并通过实验验证了这些方法中有效的部分。在将实验得出的有效方法以组合的方式形成数据增强算法后,将该算法命名为FRCRU并通过消融实验证明了FRCRU算法中每个数据增强方法的有效性。针对裂纹识别困难的问题,本文提出了基于网格搜索的集成算法AWS。本文对裂纹识别的模型进行了研究。首先本文提出了在裂纹识别任务中引入Transformer模型并通过实验证明了Swin Transformer是识别效果最好的模型。然而仅使用单个模型并不能完全解决识别困难问题,随后本文提出了基于网格搜索的集成算法Auto Weighted Sum（AWS）的方法,AWS通过使用随机网格搜索验证集上上每个模型的权值并加权相加的方式解决了传统模型集成中调整权值存在的不能达成最佳效果和需要人工多次调整的问题。随后本文通过实验证明了AWS算法的有效性。针对识别模型模型难以部署于边缘设备的问题,本文提出了基于Point Wise卷积的轻量化模型。本文对模型的压缩进行了研究。首先本文引入了一种集成模型蒸馏的方法对轻量化模型进行蒸馏,间接完成了模型的压缩。随后对于蒸馏中存在的轻量化模型蒸馏效果差的问题,本文提出了基于Point Wise卷积的轻量化模型PWShuffle Net V2和PWGhost Net,这两个模型使用非线性的Point Wise卷积替换了模型中线性计算的模块。实验证明了本文提出的蒸馏方法和轻量化模型的有效性。本方法压缩的轻量化模型在本文的数据集中相比最初的Res Net18模型准确率和F1score提高了6.63%和8.65%,推理速度提高了3.15倍,参数量减少了32.59倍。本文的研究工作也被应用在了科大智能机器人的列检机器人上,在企业的数据集中,相比原来的模型提高了约4%的准确率以及约3倍的运算和推理速度。