La inspección de defectos en la superficie es vital para el control de calidad de los productos y el diagnóstico de fallos en el equipo. La inspección de defectos sigue siendo un desafío debido al bajo nivel de automatización en algunas plantas de fabricación y la dificultad para identificar defectos. Para mejorar los niveles de automatización e inteligencia de la inspección de defectos, se propone un modelo de CNN para la inspección de defectos de alta precisión de componentes USB en las demandas reales de las fábricas. Primero, se construyó el sistema de inspección de defectos y se estableció un conjunto de datos llamado USB-SG, que contenía cinco tipos de defectos: abolladuras, rayones, manchas, manchas y normal. Las anotaciones de verdad de terreno de defectos a nivel de píxel fueron marcadas manualmente. Este documento presenta un modelo de CNN para resolver el problema de las tareas de inspección de defectos, y se proponen tres estrategias para mejorar el rendimiento del modelo. El modelo propuesto se basa en la red ligera SqueezeNet, y se diseñó un bloque de extracción de características rico para capturar información semántica y detallada. Se propone una integración progresiva de características basada en residuos para fusionar las características extraídas, lo que puede reducir la dificultad de ajuste fino del modelo y mejorar la capacidad de generalización. Finalmente, se propone un esquema de supervisión profunda de múltiples pasos para supervisar el proceso de integración de características. Los experimentos en el conjunto de datos USB-SG demuestran que el modelo propuesto en este documento tiene un mejor rendimiento que otros métodos, y la velocidad de ejecución puede satisfacer la demanda en tiempo real, lo que tiene amplias perspectivas de aplicación en el escenario de inspección industrial.