智能制造领域中对机器视觉技术的研究和发展由来已久,并且已经具有了相当大体系和规模的落地项目。但是传统机器视觉技术性能有限,在大规模的图像识别,高复杂度的目标检测、图像分割等方面无法达到理想的效果。深度学习的出现从根本上解决了传统算法的性能问题,无论在图像处理还是在自然语言处理等领域都打破了传统算法的性能瓶颈。但是深度学习的高性能依赖于大量的数据集和更深层的模型结构,导致模型参数数量过多,计算量过大,对硬件设备的性能具有极高依赖性。在实际的工业生产领域,大部分的机械设备属于嵌入设备或移动设备,其内存容量较小,CPU计算能力有限,难以满足深度学习模型的计算需求。如何使深度学习模型能在嵌入式设备中顺利运行,并满足工业制造中的实时性要求成为当前的研究热点,被称为模型的“轻量化”。工业界深度学习的应用目前正处于起步阶段。本课题从深度学习最新成果出发,以工业制造领域的机械零件识别为研究对象,从原始数据的采集、数据集的预处理和构成、模型的轻量化改进三个方面进行研究,探索了机器视觉中深度学习的应用,并在自主采集的100类零件数据集上实现了98.81%的准确率。文章的主要内容有:1、针对工业制造领域的常见环境特征,综合考虑深度学习的数据要求,设计并实现了多角度的数据集采集系统,用以采集本课题所需数据集。2、为了提升数据集质量,解决图像分辨率过高,空白信息区过大等问题,基于高斯模糊和canny边缘检测算法,提出基于参数循环检测的零件定位方法,实现了零件的准确定位。然后根据定位结果对图像进行裁剪和缩放,构造规范的数据格式,并采用数据集增强方法对数据集图像进行上下左右四个方向的移动、顺时针和逆时针旋转、水平和垂直镜像等操作以增加数据量。3、针对当前深度学习网络模型过大,无法在机器视觉的嵌入式设备中流畅运行,无法满足实时性要求的问题,基于参数效率较高的Densenet模型,结合深度可分离卷积运算和Feature-dropouted concatenation对Densenet进行轻量化改进,提出FD-Densenet模型。实验结果证实,该模型可以保持与Densenet相当的精度,并大幅缩减参数数量和计算量。保持了与当前主流轻量化模型相当的模型大小,并得到了更高的准确率。