产品质量检测是工业生产制造过程中的重要环节。传统人工提取特征算法在换向器产品质量检测中存在各种不足,无法满足自动质检要求。为解决此问题,本文探索深度学习方法检测换向器侧面划痕缺陷和端面缺料缺陷,深度学习方法能够自动提取特征,其泛化能力强,期望比传统视觉算法有更好的检测稳定性与准确度。本文主要的工作如下:（1）为解决换向器侧面划痕多尺度检测和细小划痕检测两个问题,提出基于编码器-解码器结构的语义分割框架RUDMNet,RUDMNet由编码器、解码器、可变形空洞空间金字塔池化（Deformable atrous spatial pyramid pooling,DASPP）、多重低层特征融合（Multiple low-level features fusion,MLFF）组成。编码器进行特征提取,解码器阶段通过多次特征融合,逐渐恢复缺陷细节。针对多尺度检测,提出改进ASPP的DASPP模块,划痕缺陷需要较强的形变检测能力,DASPP由可变形卷积与ASPP融合而成,因此DASPP能够获取多尺度特征同时具有较强的几何形变建模能力。针对细小划痕问题,采用MLFF处理细小划痕检测问题,因为细小缺陷信息在低层语义中信息更为丰富,因此解码器阶段融合多重低层特征,融合丰富的细小缺陷特征,提升对小划痕的分割结果。（2）换向器端面低对比缺料特征与背景纹理非常相近,灰度值相差小,即低对比缺陷检测问题。并且低对比缺料缺陷特征在实际生产过程中此缺陷出现频次较少,难以收集较多低对比特征缺料缺陷的图片,常规随机采样训练网络时,网络训练过程中的优化方向会更关注样本数量多的缺陷特征。为解决低对比缺料缺陷问题,提出两阶段式训练策略解决换向器端面低对比缺料缺陷检测问题。第一阶段训练常见缺陷,第二阶段训练时在分割网络中增加注意力机制,注意力模块更关注于低对比缺料缺陷,用作生成低对比缺陷特征图,并采用平均Top-K Loss使网络在训练过程中可以更好的专注数据量比例低的低对比缺料缺陷样本,提升对低对比缺陷缺陷的分割结果。（3）根据真实工业环境采集的换向器侧面和上端面数据集,并对数据集做预处理后作为实验对象,对本文提出的方法进行验证。换向器侧面划痕缺陷检测实验中将我们的方法与其他流行的语义分割网络的方法进行对比,根据实验结果,我们的方法RUDMNet在换向器侧面划痕缺陷测试集上达到m Io U为73.97%,ACC为98.04%。换向器端面缺料检测中我们对比一阶段与两阶段的训练效果,验证了采用两阶段训练策略对端面低对比缺料缺陷有更好的分割效果,采用两阶段训练策略在上端面缺料缺陷测试集上能达到m Io U为76.27%,ACC为95.17%。