在透镜的生产过程中需要进行多道工序,在每道工序所需要的时间一定的情况下,提升效率最有效的手段是减少各个工序之间的产品转移时间。对于国内的一些中小型工厂而言,这个步骤一般采用人工来完成,效率低下且人力成本越来越高。机器视觉技术是利用数字图像处理手段对采集到的图像进行分析,从而提取出感兴趣信息的方法,该技术由于高效,高可靠和低成本的特点,在工业生产领域中得到了广泛的应用。将机器视觉技术引进透镜的生产中,可以提高整体的生产效率,降低工厂的用人成本。本文基于机器视觉设计了一种可以实现多目标透镜的定位和凹凸面识别的方法,主要包含以下几个部分的内容:针对传统连通域标记算法无法区分紧靠在一起的目标的缺点,提出了一种改进的连通域标记算法。该算法只需要扫描一次图像,就能够提取出每个单独目标区域的内部轮廓以及对应的面积和外接矩形的信息,完成图像的分割。将每个提取出的目标区域的外接矩形的中心点坐标作为对应透镜的坐标,经过验证,定位精度能达到1 mm。使用卷积神经网络(CNN)作为分类器,实现了透镜凹凸面的识别。首先通过参数对比实验确定单个模型的参数,然后将集成学习和卷积神经网络相结合,构建了CNN集成模型,使系统对凹凸面的识别准确率进一步提升,经过检验,该集成模型的识别率达到了99%。系统采用FPGA+PC的方式实现,将图像的采集,预处理和连通域标记这些易于并行实现的算法在FPGA端进行实现,将计算复杂的卷积神经网络在PC端实现,数据通过千兆以太网进行传输。经过验证后,该方案切实可行,能够满足实际的需要。