随着高端装备及新能源车的飞速发展,磁瓦在相关产品中的应用越来越广泛。但磁瓦生产过程受制于当前工艺水平,不可避免会产生缺陷。目前磁瓦的缺陷检测大多仍采用人工目视的方法,严重影响了工业生产效率。因此,磁瓦表面缺陷的快速准确检测已成为磁瓦行业的一项紧迫任务。和传统缺陷检测方法相比,基于机器视觉与深度学习的缺陷检测方法具有效率高、可靠性好、准确性高、可实现缺陷可视化等优点。本文对磁瓦零件缺陷的视觉检测方法进行研究,针对磁瓦图像特点,设计一种基于机器视觉的自适应图像增强预处理方法。针对磁瓦表面缺陷复杂多变、大小不一等特点,提出一种基于深度学习的磁瓦缺陷检测模型。实验结果表明该方法适应性较强、准确率较高,可实现磁瓦典型缺陷的有效检测。本文的主要工作内容如下:（1）分析磁瓦表面的缺陷成因及形态特点,设计基于机器视觉的检测系统总体方案,完成对相机、镜头及光源的选型,搭建磁瓦表面缺陷检测平台。（2）针对磁瓦图像存在背景干扰、对比度低、缺陷较小不易观察等特点,提出一种基于机器视觉的自适应图像增强预处理方法。首先通过霍夫变换算法对磁瓦图像进行感兴趣区域提取;然后采用CLAHE算法改善图像局部对比度;最后利用改进后的自适应滤波算法来抑制图像噪声干扰,实现自适应图像增强。（3）针对磁瓦数据集原始样本不足等问题,通过图像增广技术扩增图像数量;对扩充后的样本图像进行缺陷数据标注;利用去均值与归一化的方法防止发生模型过拟合,提高模型泛化能力。（4）针对YOLO模型的结构特点,提出一种基于磁瓦表面缺陷特征的深度学习检测模型I-YOLO。采用Darknet-53网络作为图像特征提取的主干网络,加强主干网络对图像特征的提取效果;增加模型预测尺度,提高对微小缺陷的识别能力;对磁瓦图像中的缺陷目标框重新进行K-means聚类分析,改进YOLO算法的模型参数;利用多尺度训练方法,使模型逐步适应不同分辨率的图像,以更好适应不同尺寸磁瓦图像的缺陷特征。（5）设计基于磁瓦表面缺陷检测模型I-YOLO的实验系统,主要包括实验环境的搭建,评价指标的设置、模型训练结果的实验验证及对比测试、实验结果误差分析及检测系统软件开发。实验结果表明,本文的缺陷检测方法稳定性好,鲁棒性强,可有效减少磁瓦图像中的不良因素干扰,实现对磁瓦表面缺陷的有效检测,识别准确率达98.44%。