Las manzanas ocupan el tercer lugar, después de los plátanos y las naranjas, en la producción mundial de frutas. Las manzanas frescas son más propensas a ser apreciadas por los consumidores durante el proceso de comercialización. Sin embargo, las manzanas sufren inevitablemente daños mecánicos durante el transporte, lo que puede afectar su rendimiento económico. Por lo tanto, la detección oportuna de manzanas con defectos en la superficie puede reducir efectivamente las pérdidas económicas. En este documento, proponemos un método de detección de defectos en la superficie de las manzanas basado en la transferencia de contraste de peso y el modelo MobileNetV3. Mediante un dispositivo de adquisición, se construye un conjunto de datos de defectos en la superficie de las manzanas térmicas, infrarrojas y visibles. Además, en este documento se propone una estrategia de entrenamiento del modelo para la transferencia de contraste de peso. El modelo MobileNetV3 con transferencia de comparación de peso (Weight Compare-MobileNetV3, WC-MobileNetV3) mostró una mejora del 16% en precisión, del 14,68% en precisión, del 14,4% en recuperación y del 15,39% en puntuación F1. WC-MobileNetV3 en comparación con MobileNetV3 con ajuste fino mejoró la precisión en un 2,4%, la precisión en un 2,67%, la recuperación en un 2,42% y la puntuación F1 en un 2,56% en comparación con las redes neuronales clásicas AlexNet, ResNet50, DenseNet169 y EfficientNetV2. Los resultados experimentales muestran que el modelo WC-MobileNetV3 equilibra adecuadamente la precisión y el tiempo de detección y logra un mejor rendimiento. En resumen, el método propuesto logra una alta precisión en la detección de defectos en la superficie de las manzanas y puede satisfacer la demanda de clasificación en línea de manzanas.