随着社会经济与科技的不断进步,大数据和人工智能也得到了快速发展。以深度学习为代表的计算机视觉技术在各行各业中的应用日益广泛,尤其是图像分类和目标检测技术为医疗、交通、智能工厂等领域的技术更新起到重要的促进作用。磁瓦是直流电机当中一种重要的组成部件,当前在对磁瓦进行分拣封箱时基本依赖传统人工进行分类检测,需要较大的人力物力的消耗。在注意到上述问题的基础上,本文将深度学习引入到磁瓦正反面分类与检测当中,为提高磁瓦分拣的智能化水平提供新的思路。本文旨在研究构建模型参数小精确度高的卷积神经网络实现对车间流水线磁瓦的正反面识别与检测。研究内容如下:（1）利用轻量型网络对磁瓦图像进行正反面分类识别。首先考虑光线角度问题进行磁瓦正反面数据集的采集,并对其进行预处理得到标准图像。然后利用Mobile Net v3网络对磁瓦正反面进行训练和分类。该系统可以达到99.6%的分类准确率,实验结果表明该方法所用参数量少,对硬件设备需求低,具有实际可行性,对磁瓦分类具有良好的效果。（2）基于YOLO v4网络对磁瓦目标进行检测,通过对单阶段目标检测算法YOLO v4网络进行轻量化处理提高网络检测性能实现对磁瓦快速精确检测。首先对YOLO v4网络的主干特征提取部分使用轻量型网络Mobile Net进行替换,在维持较高m AP的同时提升网络检测速度。接着对修改后网络的加强特征提取部分进行轻量化处理。实验结果表明,改进后的网络在检测精确度与原网络持平的同时检测速度提升了40.6%,能够实现实时检测效果。（3）由于在实际生产中,磁瓦工件可能以任意角度出现在传送带上,此时采用传统的水平框目标检测方法将不利于机器人对磁瓦的精准抓取。针对上述问题,将CenterNet检测框架引入到磁瓦目标检测中,并通过添加角度参数完成磁瓦目标的多姿态检测。在此基础上,使用不同主干网络进行替换以及划分不同比例数据集进行训练,经过实验对比确定最优网络使其能够实现对任意角度磁瓦目标的精确快速检测。