钣金折弯工艺作为一种重要的加工手段,有着快速成型、工序简单的特点。在钣金折弯过程中,板材弯角处外表面受到拉伸力而容易产生微裂纹甚至出现裂缝。钣金折弯件弯角处的质量直接影响着产品的稳定性和使用寿命,对于弯角处微裂纹的分类对于工艺的改进和产品的质量保证有着重要的意义。目前,钣金折弯件质量检测主要是使用激光雷达等外形测量设备来获得钣金件的外形尺寸和通过人工目测的方式来判断表面是否存在缺陷。人工目测方式不仅效率低,而且容易受主观判断影响。本文研究了钣金折弯件弯角处微裂纹分类方法,提出了使用深度学习的分类方法。主要的研究工作包括:设计并搭建了钣金折弯件弯角处图片采集系统,根据美国标准ASTM B820-98将弯角处图片分为5类,并将数据集随机分割成测试集和训练集。使用传统机器视觉方法对缺陷图片进行特征提取,分析不同缺陷图片之间的特征变化,分别使用灰度特征和纹理分析的方法对不同等级缺陷的图片进行分类。提出了基于深度学习的缺陷分类方法,设计了卷积神经网络模型,对比不同尺寸图片和不同图像增强方法,通过实验得出使用卷积神经网络的分类结果。提出基于Inception-V3的迁移学习的方法来对样本集进行分类。将已训练好的Inception-V3模型作为特征提取器,得到2048维特征向量,构造了三种不同的分类器对特征向量进行分类。实验结果表明,使用基于多层感知器的迁移学习分类方法对本文的钣金折弯件弯角处图片样本集分类结果最好,准确率达到98.17%。