导弹作为精确打击武器逐步演变为现代战争的主导者,成为加速战争进程,决定战争胜负的关键因素。此类武器的控制和导航任务贯穿武器飞行的全过程,因此对导航系统的精度提出了更高的要求。惯性导航系统以其全自主和输出参数全面等特点成为导弹等武器制导系统的核心装备。惯性导航系统的精度由其中的惯性仪表所决定。而本文所研究的铁氧体零件是一种常见于惯性仪表中的零件。铁氧体是一种重要的非金属磁性材料,是自动控制、仪器仪表不可或缺的部分,在航天领域有广阔的应用。铁氧体零件是通过类似陶瓷工艺的焙烧法制造而成,质地硬,脆性大。在铁氧体零件的生产、加工过程中,由于一些原因,铁氧体零件的表面容易出现裂纹、裂缝或崩角等缺陷。在载体的振动颠簸下,存在缺陷逐渐加深的风险,从而造成零件失效,引起惯性仪表的卡滞,影响惯性导航系统的正常工作。因此,铁氧体零件的缺陷检测至关重要。铁氧体零件是一种小型圆环形零件。目前,铁氧体零件的缺陷检测方法是通过人工检测的方式在显微镜下检测铁氧体零件是否存在缺陷,存在检测时间长、精度低等问题。在待检零件的批次多、批量较大时,会耗费检测人员大量的时间与精力,且长时间的检测会造成检测人员眼睛疲劳,导致误检概率提高。对类似的零件缺陷检测问题,国内外研究者致力于使用数字图像处理技术对零件缺陷进行检测,但是由于铁氧体零件的图像背景复杂,颜色较暗,图像中零件表面有大量的噪声像素;且在采集图像时,圆环形零件的边缘会被采集,浅层的边界特征与缺陷特征类似。因此,提取浅层特征的传统图像处理方法无法用于检测铁氧体零件缺陷。随着卷积神经网络的发展和基于全卷积神经网络的语义分割的出现,机器自动检测零件缺陷成为可能。这类方法具有很强的鲁棒性和泛化性,大大提高了零件缺陷检测的精度。铁氧体零件缺陷检测的重点和难点是如何提高零件缺陷检测的精度、提升缺陷边缘细节信息的检测效果、清楚地区分缺陷与零件边缘,本文采用了卷积神经网络的方法对铁氧体零件缺陷进行精确定位检测。包含的主要步骤有:采集铁氧体零件图像,处理图像并制作缺陷检测数据集,图像增广,建立网络模型与初始化模型参数,加载训练数据集与标签,训练网络模型,验证网络模型是否过拟合,使用测试图像进行测试并可视化测试结果。本文的工作内容主要包括:(1)制作了分别用于缺陷分类和缺陷语义分割的铁氧体零件表面缺陷检测数据集Ferrite SDD。(2)搭建用于分类的卷积神经网络,使用了用于缺陷分类的铁氧体零件表面缺陷检测数据集Ferrite SDD1对网络进行训练,与滑动窗口子区域计分机制相结合,对铁氧体零件进行区域缺陷检测。(3)针对零件的特性,搭建了不同类型的语义分割网络,使用用于缺陷分割的铁氧体零件表面缺陷检测数据集Ferrite SDD2对其进行训练,网络不需要任何后处理操作,就可以对铁氧体零件缺陷进行精确的逐像素检测,并可视化零件缺陷的定位结果,检测的准确率可以达到99.3%,平均交并比可以达到88.3%,检测的缺陷精度为0.6微米。