随着中国制造业现代化的迅速发展,各种机械设备对其零部件的精度需求愈来愈高。零件在制造过程中必然会形成各种质量问题和缺陷,如尺寸偏差、裂纹等。然而常规的人工检验方法不但效率低下,检测准确度也欠佳,且接触式测量容易划伤零件,很难保证品质控制的一致性。故本课题针对轴类零件尺寸质量检测的实际项目需求,研究并实现了一种基于机器视觉的轴类零件检测系统,以改善目前实际生产作业中的检测精度和检测效率等问题。本文提出的检测方案总体架构包含主要两个步骤,一是边缘检测,二是特征测量。其中面向轴类零件的边缘检测方法,给出了一种基于改进的HED深度学习网络模型的零件图像边缘检测方案,首先利用亚像素卷积技术改进了HED网络模型中的上采样方式;然后在模型训练完成后,再应用非极大值抑制以及双阈值处理方式完成HED模型输出图像边缘的后续处理;此外,为提高尺寸测量的准确度,再采用了改良形态学梯度技术的样条插值亚像素边缘检测技术处理边缘轮廓,进一步获得更加精细的边缘图像,实现了亚像素分辨率级别的图像边缘。面向轴类零件的特征测量方法,采用了利用定弦定角原理改进的霍夫变换圆检测算法以及亚像素角点检测算法进行边缘图像中特征尺寸的测量,进一步提高了轴类零件特征参数的测量准确度。基于上述的轴类零件检测方案,给出了相应的软硬件设计,其中:硬件系统设计方面,根据轴类零件的特殊形状及检测需求,设计了硬件系统的总体结构,对相机、镜头、光源、照明方式和运动控制系统进行了研究与型号选择,并进行了相机标定,保证检测系统能够获取清晰的图像资源;在软件系统设计方面,视觉检测系统采用C/S结构,使用QT开发软件和SQLite数据库进行开发设计,主要功能包括有工位任务设定、目标零件识别、尺寸参数检测、历史数据查询等。基于上述检测实验平台的搭建,对一种小型轴类零件进行了检测系统的验证,实验数据表明本文的检测系统能够有效检测出边缘特征并进行测量工作,测量精度最高可达0.001mm,为解决相关轴类零件的尺寸质量检测问题提供了参考,具有一定应用意义。