随着AR技术的不断发展,越来越多的AR技术应用出现在我们的日常生活中。为了实现更好的技术效果,AR镜片的质量至关重要。在AR镜片生产过程中常会出现一些外观的缺陷,如果使用了有缺陷的镜片,将对所实现的AR效果产生较大的影响,因此需要采用精准高效的方法检测AR镜片的缺陷。近几年,目标检测技术发展迅猛,在检测精度、检测效率等方面均已超过传统的人工视觉检测。本文通过对YOLOv5模型进行改进,以提高AR镜片缺陷检测的检测精度和效率。使用YOLOv5模型对AR镜片的缺陷图像进行初步训练并检测,得到的检测效果不理想。对检测过程中不同层所提取的有效特征信息进行可视化处理,通过分析得到检测效果不理想的原因,针对这些原因对YOLOv5模型进行改进。将P2特征层参与特征融合过程并添加了新的输出预测分支,提出了新的检测模型YOLO-P4,相较于原模型检测精度平均提升了7.2%。然后提出了基于改进BiFPN结构的YOLO-P4模型YOLO-BiP4,在保证了检测精度的同时,减少了模型参数并提升了检测速度。实验表明,YOLO-BiP4模型相较于YOLOv5模型,检测效果平均提升了6.4%。优化后的YOLO-BiP4模型相较于提出的YOLO-P4模型,参数量平均减少10.9%,检测速度平均提升19.9%。为了解决生产线设备计算资源有限这一问题,对所提出的YOLO-BiP4模型引入了剪枝操作。将BN层参数和卷积层参数进行结合,共同确定模型各层的通道重要性,并在模型的训练过程中进行掩码的动态更新,实现YOLO-BiP4模型的自适应动态剪枝。同时引入了注意力机制,提出了一种新的基于注意力机制的通道动态剪枝算法ACDP,在保证了检测精度的同时,模型的参数量减小了41%,模型的检测速度提升了34.2%。最后,设计并实现了AR镜片缺陷检测平台的搭建和软件框架设计,使用所提出的加入动态剪枝后的模型YOLO-BiP4,完成了对AR镜片的缺陷检测。