在现代化工业生产中,工件生产不仅批量巨大、种类繁多,且广泛应用于工业产品的零部件连接、固定和保护等方方面面,而工件的分类与测量是关键的步骤,工业产品的精度以及耐用程度与工件质量密切相关。传统工件分类识别与测量大多依靠人工或机器人离线编程实现,必须提前编好机器人的运动轨迹,工件位置不能发生改变,耗时耗力且分拣效率低。相对于传统工件分类与测量方法,基于机器视觉技术的工件分类识别与测量不受工件位置的限制,能够对任意摆放的工件进行分类识别和测量,不仅分拣速度快、稳定性高,且测量精度和分类准确率高。本文对多类型工件的分类识别与测量系统进行研究,主要内容为:(1)本文以小孔成像模型为基础,分析镜头的非线性畸变,借助Halcon算法库对相机进行标定,求出模型的内外参数,并根据内部参数矫正畸变图像。(2)在分类识别算法中,对拍取的工件照片做预处理,以Blob分析法定位工件,通过增加动量法和自适应梯度法改进全连接神经网络模型,并获取工件的圆度、紧密度和4个Hu不变矩6个特征为模型输入量,相对于传统全连接神经网络,改进后算法不仅减小了误差函数值,而且提高了分类准确率。(3)在工件的测量算法中,采用Canny算法对工件边缘进行粗定位,再应用改进的多项式插值算法提取工件的亚像素轮廓,改进后的算法采用8个方向模板与Canny算法得到的边缘图像进行卷积运算,得到亚像素坐标;然后对轮廓进行分割和选择;最后采用Hough变换和最小二乘法分别完成工件的尺寸测量,结合系统自身特点、现场工业环境影响等外界因素,实验结果表明,采用Hough变换算法的拟合效果更好。(4)采用c++与Halcon联合编程开发了工件的分类和二维测量软件。以上述研究内容为基础,通过搭建硬件平台,并在Windows操作系统下,设计开发基于C++与Halcon联合编程的上位机软件,对系统分类识别算法和测量算法的准确性和稳定性进行验证。实验结果表明:工件类型识别率为100%;工件直线和圆测量中,Hough变换测量值与千分尺测量值平均误差为0.042mm;分类工件平均耗时32.543ms。很好的满足了企业对生产误差小、速度快的要求,具有一定的推广价值!