随着我国工业自动化的快速发展,越来越多的制造行业实现了产业自动化、智能化的跨越。而微型电机行业作为我国国民经济和国防现代化建设中不可缺少的一个基础产品工业,在其转子脚仔的缺陷检测环节还依赖于人工检测。人工监测由于其检测速度低、检测准确率不稳定、人工薪酬支出高等缺点,极大程度上制约了该行业的发展。微型电机转子的脚仔缺陷大部分可以分为三类,脚仔闭合异常、脚仔歪斜、脚仔下垂,这些缺陷具有缺陷特征多样、不同种类缺陷相似度高的特点。传统检缺陷检测手段通常由特征提取和分类器组成,需要对采集到的缺陷图片进行特征提取,然后将特征输入到各类分类器中,这类算法需要研究人员人工设置特征提取算法,算法准确率很大程度上依赖于人的经验和产品的复杂程度,其鲁棒性低,不适用与脚仔外观的缺陷检测。针对以上情况,本文提出了一个集机械设计、光学成像、运动控制、图像处理、深度学习为一体的缺陷检测系统来解决这一问题,实现微型电机转子的自动化缺陷检测。通过设计的机械自动化结构实现转子的自动上料跟分拣功能,利用图像处理技术设计转子的角度校正算法,然后通过深度卷积神经网络模型ResNet训练脚仔缺陷数据集,优化模型参数,得到脚仔缺陷分类识别模型,实现脚仔外观缺陷分类识别检测。为了验证算法的可靠性跟优越性,本文还采用了其余六种算法进行了实验,然后将实验结果与ResNet进行对比。这六种算法包括K近邻居算法(KNN)、主成分分析法(PCA)、空间金字塔匹配法(SPM)、多决策神经网络(MLP)、LeNet、AlexNet。最终实验结果显示ResNet的效果远超其他算法,识别率达到了89%。