当前,随着计算机视觉技术的不断进步,无人驾驶、行为识别、智慧城市、智能生产等相关技术的研究和应用已经广泛开展,并取得丰富的成果。目标检测是这些应用的关键技术,充分利用该技术的优势可以有效减少对人力的消耗,具有重要的现实和经济意义。现在绝大多数的机械工厂在零件的分拣过程中依然依赖人工分拣,效率相对较低,生产车间的工人在对一些形状大小相似零件的判别上容易出错,如何通过有效的可区分数据,例如轮廓,关键点,尺寸等,完成零件在工盘上的自动识别,是提高识别作业效率的一个难点。完全依赖人工识别,主观性强且工作量大,而且对于工人的技能熟练度有较高要求,新员工在工作初期很容易产生误检,所以设计一款可以辅助工人识别工件,并对一些难以区分的工件给出相似度评价以及尺寸信息的系统是具有实际意义的。经过实地调研当地的零件生产加工企业,在详细分析实际需求后,本文研究并实现了一种基于深度学习与机器视觉算法相结合系统,提出使用基于深度学习的目标检测方法,针对工业零件的数据特性,通过调整现有的Mask-RCNN网络结构,提高了目标识别的准确率,并提出使用mask分支的输出信息进行信息提取与加工,结合多种边缘检测算法最终测量出被检测目标的尺寸信息并将尺寸信息作为一种识别依据,可以提高工人的分拣效率。基于以上研究内容,在Mac Os系统下设计并实现了基于深度学习与机器视觉的零件检测系统。通过定性、定量的方式综合评价了结合深度学习与机器视觉测量这两类算法的可行性。实验结果表明,本文所提出方法实现了多目标的检测分割,以及尺寸信息的标注,分类准确率高,尺寸大小误差较低,可以有效的辅助工人降低劳动强度,提高分拣准确率。