作为直流电机的关键部件,换向器的表面质量将直接影响电机性能,因此,在出厂前对其外观质量进行视觉检测正成为一种趋势。由于换向器内部电木材料硬而脆的特性,使得在加工过程中易在换向器底部电木区域产生裂纹和破损等缺陷。同时,由于电木材料对光的反射特性,使得这些缺陷往往在图像上特征不明显,给换向器表面质量检测带来极大的困难。因此,本文结合换向器自动生产线对检测的实际需要,对换向器底部电木裂纹与破损缺陷视觉检测方向进行研究,并开发检测算法。主要研究内容如下:首先,在对电木表面及其缺陷成像特性分析的基础上,结合生产线的实际需要,设计了底电木缺陷检测的光照模式。在该模式下,分别采用同轴光和低角度环形光对换向器底部进行照明并成像,从而既可以得到明显的边缘特征,又可以获取清晰的纹理特征,为底部电木区域缺陷检测提供丰富的图像信息。其次,针对底部电木图像对比度低不利于缺陷检测的问题,提出了动态限制对比度的直方图自适应均衡化图像增强算法,该算法充分利用图像全局与局部对比度信息,对图像子块直方图进行动态裁剪,并一定程度保留原始直方图中灰度分布信息,从而避免使用固定阈值裁剪导致的图像细节丢失的问题。实验表明,该算法能够在增强底部电木图像对比度的同时突出缺陷细节特征。然后,针对电木缺陷不易检测的难题,设计了一套新的电木裂纹及破损缺陷检测的深度学习网络模型。该模型由缺陷分割网络和分类网络两部分组成,先用分割网络对电木图像进行分割,得到像素级别的缺陷概率图;再使用分类网络对分割出的缺陷特征进行分析,最后输出缺陷类别。在分割网络中,引入inception模块及Dense Block,提高了网络对缺陷尺度的适应能力,并加速了网络收敛;使用focal loss作为分割网络的损失函数,避免了正负样本不均对检测的影响。在分类网络中,使用三次卷积下采样及分块处理的方式,提高了网络对复杂缺陷形状的识别能力,避免了表面干扰对分类结果的影响。最后,利用从生产线上收集到的换向器底电木表面缺陷样本构建的数据集,进行了对比实验。实验结果表明,相比于经典的FCN网络和UNet网络,本文分割网络能更准确、更稳定地提取出缺陷特征,达到75.4%的平均交并比。本文的分类网络能够充分利用分割得到的缺陷信息,更好地识别缺陷尺度及形状的变化,最终达到了97.9%的准确率。且模型检测速度快、稳定性好,能满足实际生产线自动化的检测需要。