荧光磁粉探伤是一种广泛使用的铁磁性材料表面缺陷无损检测技术,目前大多通过人工或传统图像处理进行磁痕分析和缺陷检测,效率低下,误检和漏检严重。近年来,深度学习技术被广泛应用于目标检测和识别领域,相比于传统的图像处理方法,通常具有更强的泛化能力和更高的检测精度。因此,本文将深度学习技术引入荧光磁粉探伤中,对基于深度学习的荧光磁粉探伤系统进行了研究。在图像预处理部分,本文对图像中存在的运动模糊、色彩偏差、图像细节不明显和噪声干扰的情况进行了处理,以突出图像细节、提高图像质量。本文先通过Lucy Richardson算法进行图像运动模糊复原,然后采用灰度世界法对图像中的颜色偏移进行修正;对于图像中过亮和过暗区域细节信息不明显的情况,本文提出一种自适应伽马校正算法对图像进行处理,显著提升了图像的局部对比度,增强了图像细节;最后采用双边滤波算法对图像噪声进行抑制。本文通过多重预处理操作,能够抑制干扰因素、增强局部细节,使图像质量得到改善。在深度网络模型搭建部分,本文构建了一种双线性对称NASNet网络模型,实现了对荧光磁粉良次品工件图像的分类。本文将NASNet网络模型作为双线性CNN模型的特征提取器,使其能够充分捕获无缺陷和带缺陷图像间的局部细微差异,实现对良次品工件图像的准确分类。针对小样本训练容易产生过拟合的问题,本文通过引入迁移学习并使用成熟的预训练模型初始化网络权重,以降低网络的过拟合风险并缩短训练时间。本文分析了不同超参数对网络性能的影响,并确定了最优的超参数组以获得最佳的网络模型。实验结果表明,本文的网络模型相比于其他几种常用的分类网络在两种荧光磁粉数据集上具有更高的分类精度,且在两种数据集上的精度均在99%以上。最后,本文搭建了硬件平台对荧光磁粉图像进行了采集,对本文各部分算法进行了测试,并通过软件界面对算法进行了集成,实现了各部分算法处理结果的可视化。