OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案

本文来源公众号“OpenCV与AI深度学习”，仅用于学术分享，侵权删，干货满满。

原文链接：基于机器视觉的磁瓦表面缺陷检测方案

永磁铁氧体磁瓦广泛应用于汽车、家电、消费电子、计算机、通讯产品等终端消费品，是这些产品的重要零部件——电机的组成部分。比如汽车的燃料泵电机、空调的压缩机电机、计算机的光驱电机、电动工具的动力电机等均采用其作为转子或定子。

在永磁铁氧体磁瓦的生产加工过程中，由于原料、工艺、设备状况、人为等因素的影响，磁瓦表面会产生一些缺陷，如裂纹、崩烂、欠磨等。这些缺陷对磁瓦的效能会产生很大的影响，关系到电动系统的稳定性、安全性和可靠性。

为避免造成无法预料的后果，对于功能面含有缺陷的磁瓦，必须通过检测予以剔除。目前磁瓦生产厂家基本还是靠人工目视检测，这种检测方法效率低，每人每分钟平均只能检测 30 片；工人劳动强度大，必须持续地集中注意力， 导致疲劳后容易产生漏检、错检，在精度和稳定性上均难以保证；同时磁瓦生产车间噪音污染严重，给员工的身体健康也带来了隐患。

近年来，机器视觉技术在产品缺陷检测中的应用越来越广泛，利用机器视觉技术可以自动、快速、高效地检测出产品的表面缺陷，极大地提高生产效率。但是，截至目前，利用机器