随着互联网、数字化等技术的迅猛发展,我国对人工智能、机器学习和自动识别等领域的研究越来越深入,机器学习是使计算机智能化的根本途径,其应用遍布人工智能的各个领域。极限学习机(Extreme Learning Machine,ELM)作为一种新型的机器学习算法,以其理论简单、泛化能力强、学习速度快等优点受到学者的普遍关注,在分类和回归等问题中,ELM得到了广泛的应用和良好的处理效果。针对本文的磁环缺陷分类问题,传统的人工识别已经无法满足人们对精确性和快速性的需求,以图像处理为基础的机器学习分类方法也越来越多地被运用到工业生产的各个环节,在此情况下,本文运用机器学习中的ELM等算法对磁环表面缺陷分类做了相关的学习研究。本文通过面阵CCD相机加上显微摄影方式来获取磁环图像,并简要分析了生产中常见的磁环缺陷类型,给出了缺陷分类的一般流程,然后根据生产线上对分类准确性及快速性的要求对各种机器学习算法进行设计比较。具体内容为:针对图像增强环节,本文通过对比三种常用的灰度处理方法,选择了变换效果理想的线性变换来增强视觉冲突感;然后在几种经典空间域滤波方法的基础上采用高斯滤波方法降噪,通过评价指标证明了其滤除噪声效果较好。针对图像分割环节,本文简单研究了边缘检测和阈值分割方法,但其对本文需处理的磁环缺陷分割效果欠佳,在此基础上,设计了多尺度高斯滤波结合OTSU分割法,通过验证发现其对沟壑深且长的疤痕类缺陷分割效果理想,对裂纹、砂眼类缺陷分割效果一般;随后又提出了适应性更强的多尺度多方向Gabor滤波器组分割法,因为它可以从多个尺度多个方向平滑处理缺陷图像,并可以根据灰度级自主确定分割的阈值,大大提高了分割各种缺陷的适应性及准确性。针对缺陷分类环节,本文运用BP神经网络、支持向量机(SVM)、极限学习机(ELM)等机器学习算法对磁环表面缺陷进行分类。把经过特征提取和降维处理后的特征向量作为分类算法的输入数据,然后对ELM模型进行训练和预测,在确定了ELM分类器的激活函数和隐含层神经元个数两个关键参数后,通过对比证明了采用ELM算法的分类准确率高且运行时间短,在此基础上,结合RBF核函数的KELM运行速率和稳定性进一步提高。与前两种方法相比,基于ELM和KELM的机器学习算法对磁环表面缺陷分类均具有更好的实用性和有效性。