工件尺寸检测结果是决定产品质量是否符合生产标准、满足出厂要求的重要指标。传统的工件测量方法需要先将工件清理干净之后再进行人工测量,但人工测量存在着效率低、漏检等缺点。由于机器视觉具有效率高、适用性广泛且安全的优势,这解决了人工测量所面临的问题,具有较高的研究价值。本文基于深度学习对轴承尺寸进行检测研究,主要针对干扰区域检测、干扰区域处理、边缘检测以及搭建平台验证四个步骤进行研究。主要研究内容如下:在干扰区域检测阶段,主要是针对轴承生产中轴承表面的干扰区域进行检测。对干扰区域进行语义分割,针对待检测轴承图像的干扰区域提出了改进全卷积神经网络进行检测,并将改进前后的语义分割结果进行对比。在干扰区域处理阶段,主要是对检测到的干扰区域进行图像修复。先利用语义分割图像的颜色差异对干扰区域进行切割得到待修复区域的二值掩码,通过掩码对图像中的待修复区域进行标记。再利用深度可分离卷积实现对基于上下文语境注意力图像修复模型的轻量化,提高图像修复的速度。在边缘检测阶段,针对基于像素的边缘检测方法精度有限的问题,采用了像素和亚像素结合的边缘检测方法。通过对传统的算子边缘检测方法效果进行对比,得到较优的工件边缘的粗检测结果。为了提升检测结果的精度,对三次样条插值法、灰度矩法和多项式拟合法这三种亚像素边缘检测的方法进行对比,选择精度最高的方法将检测精度提高至亚像素级别。本文搭建实验平台对上述方法进行实验验证。实验证明,提出的语义分割方法能够有效的对干扰区域实现检测且相对于全卷积神经网络语义分割效果以及指标均有提升。基于亚像素边缘检测的方法也能较好的完成尺寸检测,灰度矩的亚像素方法的测量精度可达到0.02mm左右,能够符合轴承生产标准。