悬浮间隙检测是磁悬浮控制系统的关键一环,对悬浮间隙传感器的研究,可以更好的提高检测系统的精度和性能。悬浮间隙检测具有无法直接接触测量的特点。基于深度学习的机器视觉检测近年来在非接触测量领域取得巨大成功,所以本文将其用在悬浮间隙检测上。基于悬浮球系统实验平台,对视觉传感器进行研究。本研究的主要工作是设计了视觉检测方案以及二值化神经网络模型,并对算法进行了重组与优化。将这个模型应用在硬件资源有限的FPGA中,通过软硬件设计来实现悬浮间隙的精确测量,最后对模型进行测试和验证。首先分析了机器视觉悬浮球系统的工作原理,设计了悬浮间隙视觉检测系统,选择合适的图像处理开发的平台。设计了悬浮球间隙样本集的采集方法和步骤,对悬浮球间隙样本进行预处理。然后对悬浮球间隙样本数据集进行标定和采集,基于二值化神经网络算法搭建了常规BNN和Gap BNN两种间隙模型,通过实验完成两种间隙模型结构设计和参数优化。最后使用回归模型评价指标对不同模型进行了比较和验证。实验表明模型的检测误差能控制在±0.3mm内,其中Gap BNN模型的平均误差为0.105mm,线性度为1.67%。最后根据FPGA平台特点对悬浮间隙数据传输和内存模型进行了设计。通过分析不同并行度时的传输效率和资源消耗情况,得出最优解。采用同或运算、累加运算和阈值判断来代替卷积操作、批归一化操作和激活操作,实现结构的重组和优化。对各种优化策略的资源使用情况进行了对比和分析。通过搭建测试环境对悬浮间隙视觉检测系统的精度、噪声干扰影响和速度等进行了测试和分析,验证了悬浮间隙视觉检测传感器性能指标满足悬浮球控制系统的要求。