万向节作为轴承部件的一种,是汽车动力传动装置的重要组成部分。为了保证万向节工件的出厂质量,在生产过程中,需要对工件进行缺陷检测。工业上常用人眼检测磁粉探伤法来对万向节工件的表面缺陷进行检测,然而传统的人工检测效率低、稳定性差,且工作环境对人体健康有害。针对这些问题,本文设计了一种基于机器视觉的轴承部件磁粉探伤系统来代替人眼检测万向节工件的表面缺陷。系统针对万向节表面缺陷的特点,分别采用了基于图像处理的内壁缺陷检测算法和基于深度学习的外壁检测算法来检测万向节不同部位。基于图像处理的内壁缺陷检测算法主要分成图像预处理、提取感兴趣区域、图像分割三个部分:采用自适应中值滤波算法,降低图像噪声;使用一种改进的Canny边缘检测算法来提取图像中的感兴趣区域;对感兴趣区域采取自适应阈值法得到了缺陷、背景的二值化图像。由于外壁图像样本规模较小,目前基于深度学习的表面缺陷检测算法大多利用目标检测和语义分割实现,然而这些目标检测和语义分割网络需要较大的数据驱动,在缺陷样本数据集较小时检测效果不佳。因此本文设计了一种基于UNET和ResNet的二阶段深度学习网络来检测轴承部件外壁缺陷,在数据集规模较小的情况下表现良好。一阶段对轴承部件外壁图像进行粗分割,提取出图像中可能存在的缺陷部位,二阶段对提取到的缺陷部位进行分类。整个系统采用分布式微服务架构,主要包括缺陷检测模块,用户权限管理模块,设备管理模块,数据管理模块。缺陷检测模块用Flask服务器形式部署缺陷检测算法,通过HTTP协议与硬件系统通信实现磁粉探伤的全自动化。用户权限管理、设备管理、数据管理响应智能制造趋势,实现检测过程的可视化和设备的远程控制。实验测试得出,系统能长时间稳定运行,单个模块宕机后仍能对外提供服务,算法检出率到达99.3%,检测速度1.7秒,系统能完全满足实际生产流水线上的相关检测要求。