庾彩红，黄海松，曾 锋，姚立国

(1.贵州大学现代制造技术教育部重点实验室，贵阳 550025；2.贵州省机场集团有限公司，贵阳 550012)

0 引言

空心杯电机由于轻量型、小体积、低能耗等特点被广泛应用于医疗器械、机器人和无人机等领域。电枢部件的质量对空心杯电机驱动性能好坏有重要影响。为了精准地检测出空心杯电机电枢表面微小缺陷，提高生产效率，优化生产工艺。急需展开对高精度空心杯电机电枢表面缺陷更深入的研究，保证高精度空心杯电机的制造质量和产品性能。目前对空心杯电机电枢的表面缺陷检测主要依靠人工来筛选。人工检测速度慢、效率低。随着人工智能技术的发展，深度学习[1]算法在目标缺陷检测领域取得了很好的成绩。

文献[2]在R-CNN网络的基础上使用多任务损失函数，提出了Fast R-CNN算法。文献[3]在Fast R-CNN网络的基础上结合了区域提议网络(Region Proposal Network)，提出Faster R-CNN网络的概念。文献[4]提出使用改进的Faster R-CNN算法对油辣椒灌装生产线中封盖面的缺陷进行检测。网络输入使用稀疏滤波与卷积神经网络相结合提取的重要图像特征。文献[5]提出用Mask R-CNN网络对齿轮表面缺陷进行检测。文献[6]提出使用Faster R-CNN算法检测刨花板表面的缺陷，利用不同的特征提取网络下的不同Anchor值设置模型进行训练、验证和测试。

文献[7]提出YOLO_v1，检测速度达到了每秒检测45张图片。原图片输入卷积核，按模型的输出网格划分，产生多个grid cell。根据网格中心位置检测物体所属类别。Sakai Y等[8]提出联合训练算法思想，使用分层的思想训练物体检测器。……