工业自动化技术作为一门集机械、电子、计算机视觉于一体的综合性技术,在近几年受到了广泛的关注并迅速发展。图像分类是工业自动化领域一项具有挑战性的任务,并且有很大的应用潜力。传统的图像分类方法利用各种特征提取算法提取特征,通过分析不同图像之间的特征相似性来确定标签。随着图像处理和深度学习的快速发展,许多基于神经网络的图像分类算法相继被提出,这些算法的效果在一些大型的开放数据集上得到了充分的验证,但是仍然难以评价其在实际工业环境中的效果。由于工业环境条件的复杂性,导致现有算法在实际应用中难以有效工作,更重要的问题是缺乏开放的工业环境数据集来评价这些算法。因此,本文对实际工业生产中遇到的积木零件分类问题,建立一种基于真实工业环境的数据集,用本文建立的数据集对四种经典神经网络算法进行定性和定量的比较,最后提出一种基于多模型投票机制的积木零件分类网络模型。本文主要研究内容可以总结如下:(1)本文提出了一种基于真实工业环境的基准数据集FIST-Toy,该数据集可以应用许多问题,如目标分类、识别和定位。FIST-Toy数据集包含10个不同类别共2297幅图像,其中既有颜色相同轮廓不同的积木零件,也有颜色不同轮廓相同的积木零件,还有颜色相同轮廓相似的对称零件,采集到的图像颜色在不同时间内呈现出来的颜色变化也比较大,这些颜色变化和对称积木零件能够更好的评价图像分类算法的性能。(2)本文对几种主流的基于CNN的模型进行了大量的实验,设计出一个基本的分类框架用来对不同的积木玩具零件进行分类。在相同的实验条件下,分析了AlexNet、VggNet-16、Inception-v3和ResNet-34的性能。这些主流CNN模型不能有效解决对称积木零件的分类问题,这也为分类任务的研究提供了一些新的视角。(3)通过对实验结果的分析,发现ResNet-34网络模型在积木玩具零件分类任务上优于其他网络模型。本文提出了一种基于多模型投票机制的积木零件分类模型,实验结果表明该模型分类效果优于现有的CNN网络模型。