磁瓦作为永磁电机的重要部件之一,如果其表面存在缺陷,会影响电机的性能,甚至引起故障,因此磁瓦的质量直接影响永磁电机的性能。但在生产磁瓦的质量检测过程中,受设备条件、生产工艺和材料本身特性影响,工业相机采集的图像会有光斑和暗点,这不但影响检测效果,甚至会引起产线崩溃。针对以上问题以及工业生产所需的自动、高效、低成本的检测需求,提出一种基于机器视觉的两阶段磁瓦缺陷检测方法。第一阶段:通过计算磁瓦图像内光斑和暗点的灰度值与设定阈值之间的差值大小,判断对检测的干扰程度。对于严重干扰缺陷分割的图像,使用全局直方图均衡化、伽马变换、边缘检测等方法做针对性处理。第二阶段:首先,对于没有影响缺陷分割或影响较小的图像,将UNet模型中的一层卷积与解码器的卷积保持不变,编码器的二、三和五层卷积改为膨胀卷积并加入BN层与Re Lu激活函数,以保证在不做pooling损失信息和相同的计算情况下,扩大感受野,避免过拟合;然后,将模型编码器的第四层卷积换为改进的深度可分离卷积,以减少参数量与卷积的执行次数,提高卷积效率,加快收敛速度;最后,在已有跳跃连接的基础上,使编码器部分融合残差结构,以避免梯度消失和梯度爆炸的情况,提升网络性能。实验采用中科院公开磁瓦缺陷数据集,实现传统算法的缺陷检测并对性能指标进行计算,传统算法的召回率、精确率与Dice系数分别达到82.45%,95.15%,85.24%,将FCN模型、UNet模型和改进UNet模型分别进行比较,本文方法相对于FCN与UNet模型召回率分别提升7.72%和3.88%,精确率分别提升3.91%和1.75%,Dice系数分别提升8.56%和3.16%;实验表明,文中方法应用于工业磁瓦缺陷检测中取得较好的效果。该论文有图22幅,表6个,参考文献52篇。