裁片是汽车座椅成品加工的重要中间件,其质量的好坏直接关系到座椅的最终品质。其中,裁片眼刀特征是衡量裁片是否合格的重要指标,眼刀的类别判定与尺寸测量是裁片拼接之前需要完成的重要检测工作。目前,裁片的轮廓特征检测通常需要人工交互,劳动强度高、效率低并且依赖于工人经验。近年来,基于机器视觉与人工智能技术的检测系统以其非接触、精度高、速度快等优点,逐步应用到目标检测和测量领域。针对裁片轮廓特征的检测,本文结合图像处理和深度学习理论,提出了一种基于改进R~2CNN的特征检测方法,并在此基础上,研究了裁片轮廓特征分析方法。首先,设计了一套由黑白工业相机、LED背光板、工控机组成的图像采集系统获取裁片图像。其次,针对眼刀特征和姿态复杂多样导致的检测困难,提出了利用R~2CNN网络检测眼刀位置,并回归角度信息,同时改进网络结构中的ROI池化策略,设计了符合裁片轮廓特征的池化尺寸,获取更加精确的倾斜目标回归框,作为精确测量区域。最后,针对特征的精确测量需求,在亚像素边缘提取的基础上,提出了融合最小外接矩形的测量方法,获取眼刀深度的准确特征参数。综上所述,本文建立了一种全新的裁片轮廓特征检测和尺寸测量方法,实现了对不同裁片轮廓特征的自动化分析。实验结果表明,在700mm?500mm的测量区域内,特征的检测准确率为96%,分类准确率为93.8%,尺寸的平均测量精度为0.3像素。本文方法有效完成了轮廓特征的精确测量,具有较高的准确性与鲁棒性,对裁片轮廓特征的自动化分析具有重要意义。