近年来,随着智能制造产业的不断发展,基于人工智能与机器视觉的自动化产品缺陷检测技术在各行各业中得到了广泛应用。磁瓦作为永磁电机的主要组成部分,其质量的好坏直接影响着永磁电机的使用寿命和工作性能。目前在大多数磁瓦生产过程中,对磁瓦质量的检测仍以人工目视检测为主,这种检测方式存在检测效率低、检测标准不统一、人工成本高等问题。此外,由于磁瓦表面缺陷种类较多,表面纹理复杂且对比度较低,传统的视觉检测与图像处理技术很难对磁瓦表面缺陷进行准确检测与分类,因此研究一种适合磁瓦的自动化缺陷检测及分类方法对于磁瓦的生产具有十分重要的意义。机器视觉与图像处理作为人工智能领域的重要研究内容,主要通过卷积神经网络对图像数据的特征进行提取与学习,获取图像所含信息,进一步对图像进行处理。目前,将机器视觉与图像处理技术应用于磁瓦缺陷检测问题的研究,已取得了一定成果。本文针对目前磁瓦缺陷检测方法中存在的不足展开研究,具体研究内容和创新点如下:(1)针对磁瓦缺陷检测准确率较低的问题,本文提出了经网格搜索法和粒子群算法优化的基于局部感受野的极限学习机(GSPSO-ELM-LRF)磁瓦缺陷检测及分类算法。在传统基于局部感受野的极限学习机(ELM-LRF)算法的基础上,采用网格搜索法对算法的平衡参数C和特征图个数K进行寻优,得到最优参数组合(C,K),并采用粒子群算法对输入的初始权重_Ainit进行优化,从而提高算法的分类性能。通过实验结果可以看出,所提算法不仅提高了磁瓦缺陷检测的准确率,还实现了对检测后含缺陷磁瓦图像的分类,有利于磁瓦生产工艺的改进。(2)针对磁瓦缺陷检测及分类模型在训练时,磁瓦缺陷图像样本较少、各类型缺陷样本间数量不均衡等问题,本文提出了高斯混合模型的深度卷积生成对抗网络(GMM-DCGANs)用于生成磁瓦缺陷图像。在传统深度卷积生成对抗网络(DCGANs)基础上,将网络的输入噪声潜在空间复杂化为高斯混合模型,从而提高图像生成网络对有限数量且具有类间及类内多样性训练样本的学习能力。实验结果表明,GMM-DCGANs网络可以生成质量更好、缺陷类型更加丰富的磁瓦缺陷图像,并且生成的图像满足缺陷检测及分类实验的需求。