目前,我国大型制造业公司开启了工业化转型的浪潮,各个行业对高质量工业零件的需求与日俱增。螺丝作为工业设备上不可或缺的零件,其质量对工业设备的性能有着很大的影响。随着计算机和人工智能技术的发展,机器视觉和深度学习技术在工业生产领域中得到了非常广泛的应用。与此同时,工业化下设备进行大规模自动化生产的方式更加普遍,基于非接触模式下对螺丝的尺寸特征和缺陷特征进行综合检测的方法成为行业研究的热点。由于缺陷特征难以被量化和提取,采用机器视觉技术在工业流水线上进行缺陷检测难度较大,误判率较高,处理过程较为复杂。近年来,基于深度学习的网络模型在各大数据集上都取得了巨大的成功,证明该技术在图像处理领域内能够取得很好的效果,这也为我们对工业器件进行更快、更精确的智能化检测提供了新的思路。本课题在基于现有理论的基础上,对螺丝在工业上的重要特征进行分析和研究,提出了一种基于机器视觉和深度学习的螺丝综合检测方法。该方法重点研究螺丝的尺寸特征和缺陷特征,研究内容主要分为以下四个方面:1)视觉检测系统的搭建:首先根据投影法原理,搭建光学成像系统硬件平台,选择CCD工业相机,采用与工业相机像素同等级的光学镜头。然后通过光源控制器调节LED平行光源的强度,选择适合的打光方式采集螺丝图像。最后根据不同坐标系之间的对应关系,分析转换原理,消除采集图像过程中畸变对图像带来的影响,并对整个视觉系统进行标定。2)图像处理和尺寸特征的算法研究:首先对系统采集到图像进行一系列的图像预处理操作,同时再对图像进行旋转调整。然后对图像进行边缘算子处理,得到边缘轮廓并提取其角点像素,根据计算尺寸特征需要的参数设计兴趣点筛选算法。最后根据数学几何的知识,对螺丝尺寸特征的相关参数设计对应的算法流程。3)深度学习缺陷检测网络的第一阶段研究:首先介绍了深度学习技术在缺陷检测领域的优势,设计出一个级联式的深度缺陷检测网络,并对该网络的结构进行说明。然后使用监督学习的模式对该网络进行训练,同时创建相关数据集。最后采用迁移学习的方法,根据本文任务对预训练网络模型进行微调,采用不同Fine-tune的方法对网络进行训练,根据实验的最优结果得到最终的网络模型,完成了第一个阶段粗定位的检测任务。4)深度学习的缺陷检测网络的第二阶段研究:首先介绍了在深度学习中对缺陷特征进行检测的网络划分数据集的不同方法和相应的训练模式,并根据GAN网络的训练思想提出了一种新的构建数据集的方式。然后依照该想法创建针对本文任务的数据集,同时分析了本文构造的深度缺陷检测网络模型的流程和优势。最后采用第一阶段网络训练的经验对第二阶段网络进行半监督训练,并对网络模型的缺陷检测的实验结果进行分析。