磁瓦在烧结和打磨等加工过程中产生的裂纹、偏磨和崩块等缺陷，在电机持续使用中会不断扩大，严重影响到电机的性能、寿命和生产安全。当前的人工目视检测效率低、检出率不可靠。采用机器视觉进行缺陷检测是国内外研究热点，由于其方法大多需建立在稳定有序的数据基础上，不适用于磁瓦尺寸规格多样、背景复杂、缺陷不规则甚至微弱缺陷等情况。本文提出了基于混沌特性的磁瓦表面缺陷视觉提取方法，利用混沌系统的初值敏感性和参数敏感性，采用图像处理、混沌理论和神经网络技术相结合的方法，进行了磁瓦表面缺陷分类和提取研究。针对偏磨和崩块缺陷，提出了一种新的阈值方法。本文结合开源视觉函数库OpenCV，成功地对磁瓦的缺陷检测提取算法进行了系统设计，实验结果验证了其检测结果高效准确。该检测方法具有创新性。本文的主要研究内容分为图像预处理、混沌分析和缺陷提取三个部分：首先是图像预处理过程，使用霍夫直线变换和图像透视变换进行了磁瓦表面图像的抠图处理，并对磁瓦图像进行了图像滤波和直方图变换等常用图像预处理操作。其次，提出了一种新的时间序列生成方法，将预处理图像转化为灰度图，计算每相邻两列之间的线性相关系数组成时间序列并滤波。后使用C-C方法对该时间序列进行分析，并利用由此所计算得到的时间延迟和嵌入维数使用wolf方法计算其最大Lyapunov指数，同时计算灰度图像的信息熵。将最大Lyapunov指数和信息熵作为混沌特性参数送入BP神经网络进行训练，并对偏磨、崩块和裂纹缺陷进行了参数分类试验，试验结果准确，效果良好。最后使用了OpenCV函数库对不同磁瓦缺陷进行了提取。其中针对偏磨和崩块缺陷提出了一种新的阈值方法，针对裂纹缺陷使用了自适应阈值方法，函数返回了缺陷的面积信息和位置信息，准确提取出了磁瓦缺陷。