电机转子在生产加工过程中，外部的磁瓦片会有几率产生裂痕等缺陷。人工检测一个转子需要40s左右，为了节省人力成本以及提高生产效率，通过构建视觉系统对其进行缺陷检测。

1.由于磁瓦片上的裂痕大多数肉眼不易分辨，在相机镜头方面最终选用500w像素相机以及显微镜头。
2.起初采用传统视觉算法对裂痕进行检测，主要通过滤波+差分，然后根据梯度角度以及梯度强度进行筛选，最后用过区域生长标出裂缝所在位置。由于磁瓦表面本身存在划痕，噪声影响较为严重，对于不明显的裂痕检测效果很差，Recall太低，所以采用深度学习对其进行缺陷检测。
3.真实裂痕的数据有200张图片，根据其特点，人为在无裂痕的图中额外扩充500张假裂痕数据。选用yolov5网络，训练过后对没有参加训练的50张真实裂痕图片和50张没有裂痕图片进行检测，正确率92%，召回率80%。误判较多，后期不宜直接根据检测框有无作为判断否为存在缺陷的标准，达不到场景需求，故采用语义分割。
4.采用Mask R-CNN，并对网络进行修改。输入不再是直接输入原图，而是首先对图像做灰度然后通过Sobel算子得到图像的梯度图，然后拼接到原图即输入图片有4个通道，再修改网络内相应层的参数。最终通过先前的600张图片进行训练，预留100张进行预测。预测结果，正确率达到99%，召回率达到99%。在珠海一个生产线上试运行，转子生产批量2000个，检测准确率达到98%，召回率95%。由于训练样本中只有200张真实样本，故后期会持续采集更多实际生产中的真实样本并参与训练，准确率以及召回率有待提高。