在现代工业生产中,电机转子产量需求巨大。针对其换向器与漆包线缠绕形态合格性检测目前以人工为主,效率低且易受干扰的问题,本文致力于研究一种基于对抗神经网络和注意力机制的转子绕线在线合格性检测算法。主要的研究内容如下:(1)设计了一套针对转子绕线合格性在线检测流程。通过对待测部位形态学分析,结合控制系统与传动系统精确配准,对旋转件转子绕线图像进行挂钩模板定位分割,得到受偏转角影响较小的转子绕线部分,利用深度学习检测算法实现在一个旋转周期内对整个转子合格性的完整检测。(2)研究了一种用于加强图像弱特征处理的视觉注意机制算法。针对转子绕线图像因和背景相近导致特征难以提取的问题,采用混合空间信息与多通道颜色信息的注意力机制来加强对转子绕线缠绕形态信息的提取,同时抑制了一些无关的细节信息,实验表明该方法提高了对弱反光件的合格性检测能力。(3)研究了一种用于解决样本不均衡问题的对抗神经网络模型。为了减少训练中负样本不足导致检测模型欠拟合的影响,通过识别器和生成器动态博弈构成对抗神经网络模型,对漏挂、断线等不合格形态样本进行扩容,实验表明该方法有效增加了负样本的多样性,改善了检测模型的性能。(4)提出了一种结合样本扩容与视觉注意机制的残差网络分类模型。基于残差网络框架,采用对抗神经网络与视觉注意机制,设计了一种在线检测分类模型,对转子绕线与换向器缠绕时出现的各种形态能够准确有效地识别,实验表明该方法准确率达98%左右,满足实时在线检测需求。