随着现代社会信息技术和工业化的发展,在工业生产、医疗康复、电力电子、国防科学技术等方面,磁性器件得到了广泛应用,例如变压器、数码产品、电源、家用电器、医疗器件等,对于磁性器件质检分类环节快速的同时还要保持可靠性。目前,磁性器件在生产过程中基本实现自动化,但其在质检分类过程中大多需人工检测,存在检测速度慢,易漏检和误检等问题。因此,本课题采用机器视觉技术,从磁性器件产品分类、底板距离自动测量、内部参数检测与云端存储等方面入手,研究磁性器件自动检测及规划方法,实现检测过程的自动化,提高检测效率和准确度,具有重要的工程应用价值。首先,研究磁性器件图像获取和数据集处理方法,对图像进行预处理。分析中值滤波和均值滤波处理磁性器件噪声时的优缺点。提出一种改进的磁性器件图像滤波算法,使其对磁性器件整幅图像中的噪声和信号进行判断,与传统的中值滤波算法相比,提出的算法具有更好的效果。并采用了直方图均衡化的方法对图像进行处理,处理后的磁性器件图像对比度高容易分辨且图像分布更加均匀。其次,研究磁性器件边缘检测算法和距离测量方法,针对Canny边缘检测算法提取的边缘信息不连续,利用灰度图像中的梯度值变化,对边缘信息进一步完善,准确的提取磁性器件边缘轮廓。通过实验验证改进方法能有效地检测磁性器件的边缘。并利用几何量的测量原理和方法实现精准的距离测量,对比分析人工测量与机器视觉测量结果,验证了几何测量原理的有效性。然后,研究卷积神经网络模型对磁性器件进行分类,利用自建的数据集对所设计的神经网络模型进行测试,对比网络模型在训练过程中损失率和正确率的变化情况,并用测试数据集进行实际验证其识别率为97.46%,平均每幅磁性器件图像只需0.1ms,设计的卷积神经网络模型在准确性和实时性上表现好。最后,通过对企业中磁性器件检测系统总体方案设计,对硬件选型以及对数据传输协议制定,实现对磁性器件电感量、损耗因子和品质因数的测量,从而利用机器视觉与工业仪器仪表实现对磁性器件的质检分类。