本发明公开了一种基于深度学习的颗粒状产品缺陷检测方法。本发明有至关重要的实际意义：第一，由于本发明方法训练集数据全面且均衡，传统算法所无法识别的目标本算法也能准确识别；第二，申请人选择在LAB颜色空间对目标区域和背景进行分离，能更好地消除光照变化的影响，提高准确率；第三，本发明基于C‑HOG特征和SVM分类算法检测颗粒产品目标，相较于传统NCC模板匹配算法，本检测方法速度更快，精度更高；最后，本发明针对颗粒状产品的特性，采用了改进的深度学习算法进行颗粒产品目标分类，能更精准地提取药片本身纹理信息，更准确地进行目标分类。相较于传统算法，本发明全面降低了检测的误检率和漏检率，大大降低了企业的生产成本，提高了生产效率。