齿轮表面缺陷检测是齿轮制造的重要工序之一。齿轮表面常见缺陷包括划伤、压伤、碰伤。在精密机械装备中,上述缺陷可能导致工况恶化等潜在问题,影响设备传动精度、产生噪音、甚至导致设备损坏,带来巨大损失。受工装铁屑残留、工件装夹不当、物理碰撞等影响,齿轮表面缺陷问题经常发生,且容易出现批量性问题。当前,制造企业对齿轮表面缺陷的检测主要采用人工抽检方式,存在依赖人工经验、误检漏检、耗时长等问题,难以及时有效的开展检测。目前,在工业领域,已经开展了许多基于机器学习与深度学习的缺陷检测方法研究。但是,金属齿轮的表面精度非常高,使得其需要的缺陷检测精度要求更高,现有方法在实际缺陷检测过程存在漏检、误检、效率低、不稳定等问题。本文将目标检测方法与视觉显著性方法引入齿轮表面缺陷检测中,提出了一种基于显著区域提取和改进型YOLO-V3的金属齿轮加工端表面缺陷检测方法实现缺陷的快速检测和定位。该方法具有准确、快速、成本低的特点。使用该方法开展快速自动检测,可及时避免批量性工艺问题,减少齿轮报废损失。论文围绕金属齿轮端表面划伤、压伤、碰伤等缺陷面积很小;且存在毛刺、油污、非加工区域等干扰因素,使得缺陷不明显、不突出、易混淆,现有基于机器视觉的缺陷检测方法存在漏检、误检、效率低、不稳定等问题。提出一种基于显著区域提取和改进型YOLO-V3的金属齿轮加工端表面缺陷检测方法,主要研究包括:（1）提出一种金属齿轮加工端表面缺陷显著性区域提取方法（MGSRE）,利用金属齿轮加工端表面与非加工区域的镜面反射特性,考虑Lab颜色空间中的L通道对亮度十分敏感,采用频域调谐显著算法（FT）生成金属齿轮加工端表面图像显著图,对图像进行高斯滤波后将其转入Lab颜色空间生成齿轮加工端表面区域掩模图,通过将齿轮图像与掩模图进行逻辑“与”运算,提取齿轮加工端表面区域,消除干扰因素影响。（2）提出一种改进型YOLO-V3算法（Res Net YOLO）。设计一种基于Res Net结构的高分辨率轻量级特征提取骨干网络（Res Net-21）。Res Net-21采用了16X降采样,可以更好的提取较小缺陷的特征;并使用Leaky Re Lu作为每个卷积模块的激活函数增强网络训练过程的稳定性;其次,考虑到池化操作进行降采样过程通常会导致低级特征丢失的问题,取消池化层,每个stage使用步长为2的卷积核进行降采样,最后,通过降低通道数以及引入带有1*1卷积核的Bottel Neck结构解决由于特征图增大导致的大量额外参数引起的计算量过大的问题。实现了高分辨率特征的高效提取;（3）提出将Res Net-21输出的最小尺度特征图与中尺度和最大尺度进行融合的特征融合方法;采用最大（152*152）尺度、中等尺度（76*76）和最小尺度（38*38）作为缺陷检测特征,通过不同尺度的特征堆叠,结合卷积核实现特征的局部融合,使得融合的特征图同时具有高分辨率高语义信息的特点;最后在多分类器模块对融合后的多个尺度特征图进行独立检测。（4）将训练完成的金属齿轮端表面缺陷检测模型在某齿轮制造车间开展试验验证,并对实验结果进行分析。分析结果表明,本文提出的金属齿轮端表面缺陷检测方法的m AP与平均Recall均达到97%,单张图像检测时间为70ms,证明了该方法的有效性。