在进行皮革裁切、板材边角料再利用等过程时都会遇到求解不规则图型最大内接矩形的问题。当前工厂的裁定手段普遍由人工估测来完成,这种传统的人工检视的作业方式存在很强的主观性,不仅容易造成资源浪费,而且效率也很低。因此,工厂迫切需要一种智能设备来代替人工。近些年,深度学习和计算机视觉技术的高速发展为解决这类难题带来了全新的思路。通过算法实现大理石板材的最大化利用,其主要难点在于两个方面:一方面是如何实现对大理石板图像的实时高精度分割,另一方面是如何快速有效的找到目标物体的最大内接矩形。对此,本文进行了如下的研究工作:本文以语义分割算法作为技术基础,使用Tensor Flow+Keras深度学习框架,搭建并训练了一种基于Fast-SCNN的改进型大理石板语义分割模型,实现了对大理石板图像掩膜的实时提取。并且以中心扩散法作为理论基础,设计了一种基于边界点选取初始矩形的最大内接矩形检测算法,实现了大理石板材的最大内接矩形快速检测。具体开展的研究工作如下:1.充分研究了目前流行的图像分割技术,对比了基于传统数字图像处理的方法与基于深度学习的方法之间的优劣性。2.语义分割方面,探讨了注意力机制在模型中的作用,通过在高层信息上采样后加入注意力机制,使得模型具备区别各通道信息重要程度的能力。研究了DASPP模块的结构,并据此对金字塔池化模块进行改进,得出了边缘细节更确切的分割图像。最后通过一系列的对比实验,验证了改进语义分割模型的有效性和实用性。3.最大内接矩形检测方面,充分研究了现有的几种求解不规则二值图像最大内接矩形的算法:遍历法、中心扩散法、遍历中心扩散法以及遗传算法。同时,设计了一系列的实验分析现有最大内接矩形检测方法存在的不足,并据此提出了一种高效且实用的最大内接矩形检测算法:边界排序生长法。4.整合上述所有算法,根据实际工业场景对整体技术进行实验与分析,实现了大理石板材最大内接矩形的快速推荐,并据此制作成一套软件。实验结果表明,本文设计的语义分割模型在大理石板材数据集上的像素精度和平均交并比分别达到了97.35%和88.51%,单张图像的处理时间约为70毫秒,有效实现了大理石板图像掩膜的实时提取。本文提出的边界排序生长法能在15ms内拟合出理想的最大内接矩形,有效的平衡了检测精度和速度的问题。经过对实际工况下采集的图像进行的算法验证,结果表明本文的整体算法在平均耗时130ms的情况下实现了大理石板的最大内接矩形检测,对于皮革、纸张裁剪及木板裁切等需要找到不规则多边形物体的最大内接矩形的工业场景有较大的理论参考价值和实际应用价值。