制造业作为立国之本、兴国之器、强国之基,在我国的经济建设中起着重要作用。随着人工智能的兴起,人工智能与制造业结合越来越紧密,推动了传统制造向智能制造的转变。我国提出“中国制造2025”,是从制造大国向制造强国的必由之路,加快新一代信息检测技术与制造业的深度融合,有利于解决智能制造的工件检测的柔性化问题。传统的人工检测适应性强,能够进行多种类型工件特征的检测,但检测速度慢,依赖人工经验,很难满足在线快速检测的要求;而机器视觉检测速度快,但很难适应多种类型工件、不同特征检测的问题。如果将人工检测适应性强的优点与机器视觉快速检测的优点结合起来,就可能实现多种类型工件的分类、定位、特征提取以及表面缺陷检测并行协同处理,从而实现工件智能化检测。由于机器视觉检测技术具有高度的灵活性,适应性强,在智能制造检测领域得到了广泛的应用。本文在查阅了国内外相关文献的基础上,以探索者机器人扁平工件作为检测目标,通过构建深度学习模型,设计新的检测算法,实现对工件的分类、定位、特征提取以及表面缺陷的检测,为工件智能化检测提供技术支撑。其研究主要内容如下:1.在研究机器视觉采集系统理论的基础上,设计了工件视觉采集系统。构建了相机模型,完成采集系统机构设计,并对采集系统的硬件进行选型,为工件检测图像采集提供硬件支撑平台。2.为了实现工件自动检测,本文在研究深度学习模型的基础上,将主流的YOLO与Faster-RCNN模型,引入到工件的分类和表面缺陷的检测中。其中,利用YOLO算法学习输入数据中的特征信息,进行分类识别和定位;利用Faster-RCNN算法对输入数据进行逐层分析、学习,实现工件表面缺陷检测。在此基础上,针对这两种模型在工件检测中存在的问题进行分析,从而为构建工件分类、定位、特征提取和表面缺陷并行协同检测提供了模型依据。3.针对上述两种深度学习算法在用于检测工件位置信息、工件特征提取中的不足,本文将Object-detection API和Mask-RCNN模型的优点进行结合,构建了新的深度学习API-MASK模型及算法。采用tensorflow深度学习框架对输入数据进行分层分析、学习,并将学习得到的高层特征用于工件的分类、定位、特征提取以及表面缺陷检测,实现各检测任务并行协同处理,满足工件智能化检测的需求。4.将本文API-MASK模型和算法应用于扁平工件进行实验检测验证。实验结果表明,本文算法种类分类准确率100%,缺陷检测准确率在91%~96%之间。与其它算法相比,在工件的分类、定位、特征提取以及表面缺陷的检测等方面,准确率都比较高,能够实现各检测任务并行协同处理,具有一定的通用性。图52幅,表9个,参考文献78篇。