摘要
磁瓦是永磁电动机的核心部件，其质量好坏将直接关系到电动机的寿命与性能，因此对其表面的缺陷进行检测是非常必要的。目前大部分磁瓦生产企业仍采用人工的方式进行缺陷检测，这会对生产的效率和产品的品质造成很大的负面作用。另外，由于磁瓦的表面缺陷类型繁多、表面纹理复杂，利用图像处理技术难以精确地识别和分类磁瓦的表面缺陷，因此研究一种适用于磁瓦的自动化缺陷检测方法，对磁瓦的制造有着重要的意义。 首先，提出一种改进的YOLOv5s缺陷检测模型。该模型采用YOLOv5s为基本框架，通过添加Transformerencoder模块，增强了网络对全局特征的提取能力。并采用轻量级RepVGG网络取代了原来的主干网络，从而降低了模型的计算量。针对小目标缺陷检测精度低的问题，借鉴BiFPN的结构特点，重新设计颈部网络，对不同尺度的特征信息进行融合以降低漏检率。通过对比实验证明，该模型能够很好地达到检测精确度和检测效率的平衡，相较于其它目标检测算法，本文的方法更具有优势。 然后，针对磁瓦表面光照不均匀现象对检测精度的影响，提出一种改进的Retinex的图像增强算法。采用自适应滤波器对光照分量进行估计，再将待增强的磁瓦图像进行分块处理，并设置返还光照因子。根据区域的特性，将部分光照以一定的方式返还给反射分量，以此得到细节分量。通过这种方式获得的细节分量，可以更好地还原磁瓦图像的自身属性。结合改进的局部自适应直方图均衡和伽马校正对细节分量进行亮度和对比度增强。最终实现对光照不均匀的磁瓦图像的增强。 最后，本文将改进的Retinex算法与改进的YOLOv5s模型结合，在磁瓦表面缺陷数据集上进行实验。结果表明，与改进前方法相比，本文方法针对磁瓦表面缺陷检测精度提升了7.2%，在缺陷检测方面具有出色的效果与性能。
NETL