汽车刹车片的质量关系到车辆驾驶安全,目前在盘式刹车片的质量检测中主要采用人工抽检的方法。随着社会生产力的不断提高、生产节奏的不断加快以及产业结构的转型,人工检测的弊端不断暴露出来,比如人工检测成本较高,检测效率却相对比较低,容易出现漏检、误检的现象等,因此人工检测方式已经很难适应汽车产业的发展,更难满足对刹车片检测自动化的发展需求。随着人工智能技术和智能检测技术的不断发展,基于机器视觉的检测技术取得了巨大进步,在盘式刹车片外观质量检测方面具有重要指导意义。本文对盘式刹车片的外观质量检测问题进行了研究,同时兼顾了盘式刹车片的检测精度和检测效率,研究并设计了一种基于机器视觉的盘式刹车片外观质量检测系统,主要研究内容如下:（1）针对机器视觉检测平台搭建问题,在对盘式刹车片检测需求分析的基础上,对机器视觉检测平台的各个组成部分进行了选型,包括工业相机、镜头、光源、照明方式的选型和软件开发平台的选择,搭建了一套基于机器视觉的检测平台,为后续实现盘式刹车片尺寸检测和缺陷检测提供了平台。（2）针对基于机器视觉的盘式刹车片尺寸检测问题,在分析图像处理的基础上,对滤波降噪、图像增强、边缘检测等算法的处理效果进行了分析研究,选出最适合于盘式刹车片尺寸检测的图像处理算法和对应的参数,主要包括对滤波方式进行选择,选取高斯滤波对图像进行降噪处理;选择直方图均衡化进行图像增强,提高图像对比度;选择改进Canny亚像素边缘检测算子对采集到的盘式刹车片图像进行边缘检测。通过轮廓检测方法得到零件图像的最小外接矩形,判断摩擦材料部分的边缘轮廓,计算出待检测尺寸的像素个数,通过像素当量转换成真实物理尺寸。（3）针对基于卷积神经网络的盘式刹车片缺陷检测问题,首先对卷积神经网络进行了介绍,分析了卷积层、池化层和全连接层的作用,然后对Alex Net网络模型进行改进,提出了一种改进Alex Net卷积神经模型（即Alex Net6＿BN模型）,用该模型对盘式刹车片进行表面缺陷检测。Alex Net6＿BN模型对经典的Alex Net网络模型中的卷积层和池化层进行了调整,增加了1层卷积层和1层池化层,将首层卷积核大小调整为13×13以提取更为显著的样本特征,并在每一层后面用批量标准化（Batch Normalization,BN）代替原来的局部响应归一化（Local Response Normalization,LRN）以加快网络收敛速度。通过对改进后网络模型的训练学习,实现了对盘式刹车片的缺陷检测。（4）针对盘式刹车片外观质量检测原型系统开发问题,在基于机器视觉的盘式刹车片尺寸检测研究和基于卷积神经网络的盘式刹车片缺陷检测研究的基础上,利用Python语言结合Py Qt5平台,开发了盘式刹车片外观质量检测原型系统,并通过实际的盘式刹车片检测验证了该原型系统的可靠性和有效性。本文提出了一种基于机器视觉的盘式刹车片外观质量检测系统,包括对盘式刹车片的尺寸检测研究、缺陷检测研究和原型系统开发,并通过实际的盘式刹车片检测验证了所提方法的有效性,为提高盘式刹车片的外观质量检测效率提供了理论指导和技术方法支持。