人造金刚石是在模拟自然环境的高温高压条件下人工合成的。在人造金刚石生产过程中,影响合成金刚石品质的主要因素主要是温度和压强。在压强一定的情况下,人造金刚石晶体在不同方向的生长速度随合成温度场的变化而变化,从而宏观上展现出合成金刚石颗粒晶体形状不一。目前,人造金刚石生产过程中的温度场尚不能精确控制。通过对合成金刚石颗粒品质的检测,可以间接反映金刚石合成温度是否适宜。在金刚石生产中,通常由人工在显微镜下观测石墨棒中生成的金刚石颗粒晶体形状,并与标准晶形模板对比,确定合成温度偏高或偏低,再对合成温度工艺曲线进行调整。人工观测方法效率低、检测结果一致性不够好,会造成生产工艺调整的误差。本论文给出了金刚石颗粒品质机器视觉自动检测技术研究与系统实现。该系统结合郑州某金刚石生产企业的合成工艺,采用工业相机(CCD)采集合成石墨棒切面图像、基于深度学习技术进行金刚石颗粒品质检测。本文首先介绍人造金刚石生长机理及合成装备,指出人造金刚石品质检测指标和传统检测方法在精度、速度等方面的不足。接着,基于深度学习理论与技术,采用Faster R-CNN、改进YOLOv3、改进SSD等深度网络进行金刚石颗粒图像的智能化分类。通过FPS、mAP、ACC的结果对比,最终选用结构相对简单、检测速度更快的改进YOLOv3网络实现对人造金刚石颗粒晶体形状、颗粒数量、颗粒比表面积的AI检测。研究开发的检测系统对石墨棒中金刚石颗粒晶体形状的检测达到96.44%的准确率,在金刚石颗粒粒数和金刚石颗粒比表面积等检测方面与实际情况吻合。这一采用AI人工智能技术的机器视觉检测系统具有精度高、速度快、实时反馈等优点,克服了人工检测的局限性。