磁瓦作为永磁电机的重要组成部分,其质量的好坏直接影响电机的工作性能和使用寿命。在生产过程中由于原料、工艺、设备等因素影响,其表面会产生各种复杂缺陷。目前,磁瓦表面的缺陷检测任务主要由人工完成,存在效率低、成本高等问题。机器视觉技术在国内外的迅速发展,加快了磁瓦表面缺陷自动化检测的进程。然而传统机器视觉算法采用对手工提取特征进行检测的方式,受主观因素影响较大。为此,本课题研究了一种基于深度学习的磁瓦表面缺陷视觉检测方法,主要内容包括:（1）磁瓦表面缺陷检测系统总体设计。根据磁瓦生产工艺和技术要求,确定出系统总体方案,对系统所需的相机、镜头、图像采集卡以及光源等硬件进行选型,设计出照明方案,并在Visual Studio 2019中配置OpenCV库,以便软件系统后续开发。（2）磁瓦图像预处理及ROI（Region Of Interest）提取算法研究。首先,针对图像采集过程中传输信号波动及粉尘导致的噪声问题,提出改进自适应局部降噪的同态滤波算法用于图像去噪;其次,基于直方图双峰法和Canny边缘检测算法对磁瓦图像前背景划分,提取出磁瓦区域ROI;最后,对比不同参数的图像增强效果,确定出γ=0.5为伽马校正的最优参数,从而获得清晰、完整的磁瓦图像。（3）磁瓦表面缺陷检测算法研究及实验验证。首先,利用多种显著性线索融合的检测算法对磁瓦进行预检测,得到初步的缺陷区域;其次,将其与原灰度图组成双通道图像作为改进的CU-Net网络的输入,从而精细地分割缺陷区域和识别缺陷种类;最后,通过后处理将检测结果以矩形框的形式输出展示。改进的CU-Net在经典U-Net的基础上压缩了网络基本架构并新增注意力机制,用于提高算法分割精度和运行速度;使用交叉熵损失LCE和DiceLoss损失LDice的复合函数,用于解决正负样本不均衡及模型难以训练的问题;新增分支网络,用于识别磁瓦缺陷种类。通过对比实验对提出的缺陷检测算法进行验证分析,结果表明,缺陷分割网络的MIoU指标达到91.54%,相较于其它文献方法的最好分数提升3.89%,分支网络取得了 98.3%的缺陷分类准确率。（4）磁瓦表面缺陷检测系统实现。在所设计缺陷检测系统方案的基础上搭建实验平台,对本文算法进行验证。基于VS 2019设计模块化的软件系统,构建系统数据库和人机交互界面,将图像预处理及缺陷检测算法导入软件系统中运行,实现磁瓦表面缺陷检测功能的一体化。本课题实现了磁瓦表面缺陷的非接触式实时检测与分类,对企业部署全自动化磁瓦缺陷检测流水线具有一定参考意义,同时为其他类似产品的缺陷检测研究提供了思路。