在智能手机的生产过程中,表面缺陷检测是不可或缺的一部分。针对当前手机生产过程中,人工缺陷检测成本高、效率低等问题。本文设计并实现了一款基于机器视觉的智能手机表面缺陷检测系统。根据不同的功能需求分为了表面缺陷检测模块、图像标注模块、深度学习模型训练模块。针对这三个模块,本文的主要研究工作包括:1.针对智能手机表面缺陷检测的具体需求,结合传统图像缺陷检测方法和深度学习目标检测算法设计并实现了表面缺陷检测模块。首先,针对工业现场采集的图像出现倾斜的情况,采用了基于轮廓的图像校正法进行校正。其次,结合实际的表面缺陷检测需求,研究了屏幕区、听孔区和连接区的图像特征,使用金字塔模板匹配方法获取听孔区位置后,使用相对位置的方法来分别获取屏幕区和连接区的位置。最后,分析了传统图像缺陷检测算法和深度学习目标检测算法的优势和不足。将智能手机表面进行分区检测,对缺陷易于检测的屏幕区域采用传统机器视觉方法以提高检测速度,有图案变化的难于检测区域（如手机听孔区、屏幕区和印刷区的连接部位）采用深度学习方法以提高缺陷检出率。两者结合,可有效提高智能手机表面缺陷检测的检测速度和性能。2.针对工业现场获取到的图像数据集缺少标签数据和图像数据量少的难题,设计了深度学习目标检测的缺陷图像样本标注模块,优化了传统图像标注软件的操作步骤和标注方式,增加了标注结果自动保存功能。模块中提供了手动标注和智能标注两种图像标注方式。其中,智能标注方式使用深度学习目标检测模型进行图像标注。同时,增加了传统的图像扩增功能,方便用户扩增图像数据集。通过图像标注操作步骤的优化和图像智能标注功能的设计,极大的提升了用户的使用体验。3.针对深度学习模型在使用过程中的学习优化问题,设计了深度学习模型训练模块。通过分析深度学习模型的训练方式,结合C/S软件架构思想和Socket技术,将模型训练部分封装后部署到服务器端,用户使用客户端来完成模型训练任务和服务器端存储的模型文件管理任务。本文的智能手机表面缺陷检测系统,包含了手机图像表面缺陷检测,图像数据集的标注、扩增,深度学习模型的学习优化等功能,可在一定程度上解决智能手机缺陷检测过程中人工检测成本高,缺陷类型多样化等问题,可有效促进工业检测智能化的发展。