钢球是轴承的关键部件,其质量的优劣对轴承性能有很大影响,其中钢球表面缺陷程度会对轴承的精度、使用性能、可靠性及使用寿命造成直接影响。根据统计结果可知,59%的轴承失效是由于钢球表面缺陷造成的。因此,在生产过程中,如何有效提高钢球表面缺陷的检测能力,是钢球成品质量的重要保障。为了满足实际企业提高钢球表面缺陷检测的精度,本课题开展了基于深度迁移学习的钢球表面缺陷检测研究,为开发高精度、低成本、高自动化水平的钢球表面缺陷检测系统及高质量的轴承加工提供一种新方法。本文重点研究了钢球表面缺陷采集系统、钢球表面缺陷目标检测方法、钢球表面缺陷分割方法及钢球表面缺陷检测系统的设计与实现等四个方面,主要工作如下:（1）钢球表面缺陷采集系统设计。本文分析了钢球表面缺陷采集系统的基本需求和缺陷类型,制定了缺陷采集系统的方案,搭建了基于机器视觉的钢球表面缺陷采集硬件系统,完成了关键部件的优选,设计了照明方案及分选装置。该系统能够完成钢球表面图像连续采集,并获得高质量图像,为后续检测提供了数据支撑。（2）钢球表面缺陷目标检测方法。针对现存目标检测方法在提高方法性能时需要额外增加计算开销的问题,本文提出了一种基于压缩-激励模块与YOLOv4的钢球表面缺陷目标检测方法。该方法以YOLOv4作为基础网络结构,结合压缩-激励模块,对提取的特征进行通道间相关性建模,对通道之间的特征信息加强传递,该模块能够实现对全局信息的学习,以此确定对计算有效的特征,并且排除无用特征,同时强化有效特征的提取和使用。该方法基于深度迁移学习的方式进行训练,设计了多组对比试验,根据实验结果可知,所提方法准确率可达到96.33%,检测速度达到24.47FPS,性能高于主流目标检测方法。（3）钢球表面缺陷分割方法。针对卷积神经网络在特征传递过程中无法保障特征的平移不变性的问题,本文提出了一种基于平移不变性与U-Net的钢球表面缺陷语义分割方法。该方法以U-Net作为基础网络结构,结合平移不变性,提出了抗锯齿层替换原网络中的最大池化层。通过将低通滤波插入到模糊采样与最大池化之间,提出了一种新的抗锯齿的方法解决输入的变化不会影响输出结果。通过在方法的编码与解码之间,采用特征金字塔网络对尺寸较小的目标进行特征提取,减少小目标在下采样的过程中数据特征信息的损失。该方法基于深度迁移学习的方式进行训练,设计了多组对比试验,根据实验结果可知,所提方法准确率可达到92.43%,性能优于主流语义分割方法。（4）钢球表面缺陷检测系统的设计与实现。本文设计并实现了钢球表面缺陷采集系统中分选装置的控制系统和图像检测系统。图像检测系统包含两个模块:目标检测模块和语义分割模块。该系统开发采用C/S架构,在Windows10操作系统下,基于.Net6.0开发平台,读取训练完成的网络模型,以C#作为功能开发编程语言实现相关功能。通过载入数据验证,系统功能运行良好。