由于汽车消费市场不景气的影响,轮毂生产企业的大批次订单减少,曾经大规模生产的粗放型生产方式,已经不能满足消费市场越来越多元化的需求。企业为了实现轮毂生产差异化、柔性化能力的提升,纷纷开展自动化、信息化及智能化的改造,使其真正具备铝车轮高效定制化的生产能力。在多轮型混流生产的柔性智能生产线中,轮型识别是实现柔性生产的关键技术环节,只有先将轮毂型号准确地识别分类,才能进行后续的打标追溯、自动化加工、分类包装等工艺流程。因此,针对当前依靠人工对轮型识别分类不能适应轮毂智能制造的需求,同时传统机器视觉技术具有一定局限性的现实问题,本课题组基于深度学习,开展轮毂智能识别机的研究。本文对轮毂识别机进行了机械系统总体设计,包括输送辊道系统、轮毂定位装置、中心对中装置、暗箱。暗箱中具备稳定光源的照明,使得设备具有高环境适应性,通过轮毂定位装置和中心对中装置实现对轮毂位置姿态的控制,在此条件下采集轮毂图像可作为高质量数据集。对视觉系统的硬件如光源、相机、镜头等进行选型,并选择了合适的照明技术。此外,基于深度学习理论开展轮型识别算法的研究,按照轮型识别的特点对经典网络VGG-16的模型做了优化,并对神经网络使用迁移学习的方法进行参数预训练。最后搭建了轮毂智能识别机实验样机,采用改进的VGG-16卷积神经网络结构,在试验样机上进行实验,测试了改进算法的实际效果。本文针对当前轮毂识别机只注重识别算法的研究而忽视机械系统设计的现状,提出了轮毂智能识别机整体设计方案并成功搭建了试验样机。区别于以往研究专注于传统机器视觉算法,本文将深度学习算法用于轮毂识别,取得了良好的识别效果。