在工业自动化程度不断提升的背景下,工业场景下多类零部件目标语义类别识别和分割定位,是工业视觉自动化检测领域的技术关键。本文针对工业场景下现有方法对多类零部件目标语义类别识别与分割定位的精度偏低、目标特征信息提取不足和目标边缘分割欠精确等问题,研究多尺度特征提取和级联式的多类零部件目标语义分割方法。本文的主要研究内容如下:(1)分析了当前先进的目标分割算法,根据这类算法的优点建立结合空洞卷积的残差网络模型,将该模型定为本文的基准模型,并制作了工业场景下轴承、螺丝刀、齿轮、钳子、扳手、螺栓、螺帽、垫片、榔头和锉刀共十类零部件数据集。实验结果表明,在该基准模型下,对十类零部件的平均交并比精度为61.21%,平均像素精度为85.41%。发现由于工业场景中客观存在的复杂性和高动态范围,现有分割方法对多类零部件目标的语义分割精度存在很大的提升空间。(2)针对单尺度特征提取的编码-解码网络不能有效提取多目标分割任务中各个目标的类别信息及其对应类别在原图像上的位置信息的局限,在解码部分增加多尺度特征提取模块,将编码部分输出的特征图通过并联式的空洞卷积提取不同尺度的特征,丰富解码器输出的特征图中各个目标的类别信息和位置信息。实验结果显示,相比于基准网络模型,对十类零部件的平均交并比精度提升了2.57%,平均像素精度提升了4.84%。(3)针对编码-解码网络模型把背景错分割为目标,且目标的边缘分割不够精确的问题,提出了级联式零部件语义分割方法,通过将多目标分割任务转化为多个单目标分割任务,减少了分割背景的占比,降低了模型把背景错分割为目标的概率,还降低了特征提取的复杂度,使目标边缘分割更精确。实验结果表明,相比于基准网络模型,级联式的零部件语义分割方法对十类零部件的平均交并比精度提升了12.89%,平均像素精度提升了8.57%。本文提出了级联式的语义分割方法,提升了编码-解码模型对多类零部件目标特征的提取能力和目标的边缘分割精度,降低了模型错分割概率,为复杂工业场景下多零部件目标准确识别和定位提供了方法依据和借鉴价值。