航空发动机是飞机的重要零部件,长期以来在生产和维修过程中一直使用人工安装的方法,效率低且劳动强度大。随着智能化制造的不断发展,计算机视觉技术在自动化生产线上的应用越来越广泛。针对以上现状,本文围绕航空发动机安装过程中安装工位的目标检测问题展开研究,分别渐近地提出并设计了基于轮廓特征提取、基于深度学习目标检测算法YOLOv3以及改进的YOLOv3三种目标检测方法。设计了基于轮廓特征提取的安装工位目标检测方法。对航空发动机安装工位进行特征分析,前后安装工位轮廓近似于等腰梯形和矩形。首先对输入图像进行一系列的图像处理操作,使安装工位周围形成连通区域。然后将满足要求的连通区域提取出来,作为预筛选的结果。最后利用机器学习算法将含有安装工位的图像筛选出来。实验结果表明,基于轮廓特征提取的目标检测方法具有较快检测速度,但检测精度不高。在综合考虑了检测速度与检测精度的基础上选用YOLOv3目标检测算法。通过对算法复现后,在本文的数据集上进行训练。测试结果表明,相比基于轮廓特征提取的方法,前后安装工位的检测准确率有显著提高,但是仍存在安装工位目的位置检测不精确的问题。针对原始YOLOv3算法存在的问题,分别从候选框聚类和优化网络结构两个方向进行改进。候选框聚类采用基于密度的K-means算法,使得聚类出的更具有代表性。对改进后的YOLOv3算法在同样的数据集上训练,测试结果表明,改进后模型收敛效果更好,loss曲线收敛效果优于原始算法,且检测准确率和平均交并比都高于原始算法。建立了发动机安装工位数据集,包括含有背景的前后安装工位图像各5000张、去除背景的前后安装工位图像各5000张、负样本图像10000张。利用数据集设计本文研究的三种安装工位目标检测方法的综合实验,实验结果表明基于轮廓特征提取的安装工位目标检测方法检测速度最快,但准确率最低;改进的YOLOv3目标检测算法在准确率方面有明显的提高,检测速度满足实际应用中实时检测要求。