Para resolver el problema del bajo rendimiento del algoritmo de detección de objetivos y la detección falsa en la detección de defectos en la superficie de pintura de las patas de cinco estrellas de las sillas de oficina, proponemos un método de detección de defectos basado en el algoritmo mejorado YOLOv3. En primer lugar, se diseña una nueva estructura de fusión de características para reducir la tasa de detección fallida de objetivos pequeños. Luego, utilizamos la función de pérdida CIOU para mejorar la precisión de posicionamiento. Al mismo tiempo, se utiliza una versión paralela del algoritmo de inicialización k-means++ (K-means||) para optimizar y determinar los parámetros del ancla a priori, con el fin de mejorar el grado de coincidencia entre el ancla a priori y la capa de características. Construimos un conjunto de datos de defectos en la superficie de pintura de las patas de cinco estrellas de las sillas de oficina y realizamos un entrenamiento de optimización, y utilizamos múltiples algoritmos y diferentes conjuntos de datos para llevar a cabo experimentos comparativos que validen el algoritmo. Los resultados experimentales muestran que el algoritmo YOLOv3 mejorado es efectivo, ya que la precisión promedio en el conjunto de datos creado por nosotros alcanza el 88.3%, lo que es un 5.8% más alto que el algoritmo original. Al mismo tiempo, también se ha verificado en base al conjunto de datos de aluminio de la competencia Aliyun Tianchi, y la precisión promedio ha alcanzado el 89.2%. Este método realiza muy bien la detección en tiempo real de los defectos en la superficie de pintura de las patas de cinco estrellas de la silla de oficina.