随着机器视觉技术的发展,越来越多的产品质量检测采用数字图像处理技术进行分析与识别,能够极大地提高生产的自动化程度。为实现工厂生产的故障指示器产品质量智能检测,本文基于卷积神经网络的故障指示器状态识别进行研究,能够有效地解决产品生产过程中的产品质量检测问题,实现工业生产自动化、智能化、绿色化和高效化。本文针对故障指示器状态智能识别任务,分别从构建识别系统、改进卷积神经网络(Convolutional Neural Networks,CNN)模型、实验验证等方面进行了研究。通过分析故障指示器产品检测场景,构建了图像采集系统并采集了故障指示器的原始视频图像。设计了识别算法流程,并实验验证了将CNN直接用到故障指示器原始图片上进行状态识别的可行性,同时分析实验结果,找出了传统CNN在此任务中存在的问题,启发了后续对原始图片的处理和CNN的改进工作。而后,针对现实场景中模糊、光照不均匀、色偏的故障指示器图片,本文对图片进行滤波、增强和高光消除等预处理,减少了各种因素对识别的影响,进一步采用基于阈值、边缘检测和聚类的方式对图像进行分割实验,接着对图片进行平移、旋转、缩放等数据扩充方式增大数据量,提升小样本对训练卷积神经网络的识别性能。针对传统CNN模型鲁棒性问题,本文改进网络结构,对网络加入尺度估计,提出了多尺度卷积神经网络模型,通过实验验证了该方法的鲁棒性;针对传统的CNN的收敛时间长,识别率低的问题,分析已收敛的CNN各核函数之间存在很大的相关性,提出了小波变换初始化第一层核函数的方法,实验表明该方法既缩短了网络收敛时间,又提高了识别率;将上述两种改进方法的结合起来发挥了各自优势,与传统的卷积神经网络相比,识别率提高7.28%,最终达到96.32%。最后,作为CNN算法的前沿技术,集检测与识别于一体的Faster R-CNN模型也被应用到了本文的故障指示器状态识别任务中,实验结果表明,Faster R-CNN技术能够有效解决故障指示器状态识别问题。