受人员、机器、材料等多种因素的影响,车削刀具表面会出现各种缺陷,主要有表面划痕、磕碰凹坑、涂层剥落和边缘豁口四种。这些缺陷不仅会破坏车削刀具的美观还会降低车削刀具的寿命,如何对车削刀具进行快速、准确地检测成为了行业亟需解决的问题。本文旨在开发自动化缺陷检测及分类系统,实现车削刀具表面缺陷高检出率和高准确率的检测和分类。（1）对车削刀具表面缺陷的种类、形成原因和检测技术要求进行了分析。针对车削刀具及表面缺陷的实际情况,根据公式及经验确定系统的相机、镜头和光源等主要硬件,搭建缺陷检测及分类系统硬件实验平台,实现图像的高清采集。设计软件系统的基本框架,结合软硬件研究确定了缺陷检测及分类系统的工作流程。（2）通过实验对比确定了图像的预处理方法,并研究了基于机器视觉的缺陷检测及分类算法。针对车削刀具表面的缺陷检测,图像差分法具有良好的检测效果。使用主成分分析法对人工提取的34维特征进行降维。为解决多分类问题,设计级联SVM分类器,最后使用每类约150个样本组成的数据集训练SVM分类器。结果表明,基于机器视觉的缺陷检测及分类算法能够达到97.2%的检出率、94.3%的分类准确率、单个样本算法检测平均耗时约165 ms。（3）为避免人工提取特征时产生的特征相关性、提高缺陷的检出率和分类准确率,对比了常见的目标检测算法后选用YOLOv3算法完成缺陷的检测和分类任务。针对YOLOv3网络在自建车削刀具表面缺陷数据集上出现的小目标漏检和定位不准问题,从特征图、损失函数和锚框等三个方面进行了改进。实验结果表明,改进后的YOLOv3算法具有更高的缺陷检出率和分类准确率,达98.8%和98.5%,单个样本算法检测平均耗时约45 ms,且能够较好地解决小目标漏检和定位不准的问题。（4）设计车削刀具表面缺陷检测及分类软件操作系统。对软件系统各子系统进行了具体实现,并将软件系统部署到机器上进行现场测试。结果表明,人工检测方式的缺陷检出率和分类准确率最低只有88.99%和88.54%,且单个样本耗时最长,需要6 s左右。基于机器视觉和基于深度学习的缺陷检测及分类算法的缺陷检出率和分类准确率更高,缺陷检出率分别为96.87%和98.64%,分类准确率分别为94.25%和98.25%,单个样本算法检测平均耗时约168ms和50ms。相比人工检测方式,开发的自动化检测算法能够更好地满足任务需求。通过合理的硬件选型、开发基于机器视觉和基于深度学习的缺陷检测及分类算法能够满足车削刀具表面缺陷高检出率、高准确率和高效率的检测要求。当任务要求较低、样本规模较小和硬件条件较差的时候,选用基于机器视觉的算法可以基本满足任务需求。当任务要求更高、样本规模更大和硬件条件更好的时候,基于深度学习的算法具有更高的缺陷检出率和分类准确率。针对不同任务需求、样本大小和硬件条件,设计的系统可以替代人工实现车削刀具表面缺陷的自动化检测及分类,填补了该领域的空白,为企业的工艺方法改进和生产流程优化提供依据。