换向器的制造质量对电动机的稳定可靠运行至关重要,换向器表面缺陷是其主要质量问题。目前主要采用人工检测的方法,由于汽车行业要求全检,不但质检人员的劳动强度高、检测效率较低,而且检测质量分散度大、检测成本高。机器视觉是实现自动全检的主流方法,但传统的机器视觉检测方法对在生产线上由于工况变化导致的缺陷模式变化的适应性差,即泛化能力不足,且算法开发周期长。本研究采用机器学习的商业视觉缺陷检测软件Vi Di,通过构建特定的模型并进行优化,实现对25种缺陷图像的二分类检测。本方法不但精度和效率高,而且方便部署。具体工作如下:首先,提出换向器缺陷检测的总体设计方案。通过分析检测目标的特点和检测任务的难点,从硬件和软件的角度提出检测总体方案。硬件方面工作包括:搭建检测平台和图像采集系统;软件方面工作包括:构建Vi Di模型、优化Vi Di模型、Vi Di模型部署。其次,研究基于Vi Di的换向器缺陷检测策略方法,实现对多种缺陷混合检测。换向器缺陷种类多、形态多样,导致单一检测算法的精度偏低。本研究提出按机位组合检测和按缺陷特征混合检测两种方法,并构建Vi Di模型,通过准备的数据集和提出的评价指标,测试两种检测方法有效可行。最后根据数据集规模,给出选择两种方法的指导意见。然后,研究换向器缺陷检测的Vi Di模型优化方法。为了提高Vi Di模型的精度,本研究设计了一套优化方案:基于5折交叉验证的Vi Di模型选择、基于Adaboost算法的组合检测器、基于高斯噪声+仿射变换的图像数据增强以及Vi Di模型的参数优化。并且进行实验测试,模型优化后的召回率提升了2.00%以上。最后,部署Vi Di模型并设计实验验证,测试检测效果。为了实现换向器缺陷的快速高精度自动检测,本研究在Visual Studio 2015编程平台上,采用C#语言完成了Vi Di模型的部署工作,通过现场采集的1200张已标签图像数据,对按机位组合检测法和按缺陷特征混合检测法构建的Vi Di模型进行测试,实验结果显示:两种方法的召回率分别为99.17%和98.17%,检测耗时分别为89.6ms/幅和72.8ms/幅,均满足目前换向器缺陷检测任务技术指标要求。