夹片作为夹片式预应力锚固体系的关键零件,其质量是直接影响构筑物有效预应力的建立和建筑安全的重要因素。目前,夹片的缺陷检测主要是通过人工来实现,人工检测效率低且难以满足高速自动化生产的需求。机器视觉作为一种非接触性检测方法,具有高效和可重复性的优点,可弥补人工检测的不足。因此,本文将机器视觉技术应用到夹片缺陷检测中来,对夹片尺寸进行测量的同时对夹片牙型缺陷进行检测。首先,针对人工检测方法的不足,本文设计了一套视觉检测系统,可实现夹片缺陷的自动化检测。系统包括机械运动单元、图像采集单元和系统软件单元。系统首先通过机械运动单元实现夹片的自动化上下料,然后经图像采集单元采集夹片零件的图像,并将图像实时传输给上位机系统软件。上位机通过视觉算法对夹片图像进行检测识别,同时将检测结果反馈给机械运动单元的PLC控制系统,PLC系统根据光电传感器信号和检测结果控制机械系统的上下料,从而实现夹片缺陷的自动化检测。生产线现场测试表明,本文系统可实现0.25秒每片的夹片缺陷检测。其次,针对夹片的尺寸缺陷检测,本文提出了基于角点检测和边缘提取的夹片尺寸检测算法。首先通过相机标定实现系统的标定;接着通过图像预处理和ROI提取实现测量区域的分割;然后通过亚像素级的角点检测、边缘提取以及直线拟合实现夹片尺寸测量点的高精度定位;最后根据测量方法对夹片尺寸进行测量和检测。实验表明,算法准确率可达到98.06%,满足了系统的检测要求。最后,针对夹片的牙型缺陷检测,本文系统前期实验设计了一种基于边缘检测和决策树的夹片牙型缺陷检测算法,获得了95.79%的准确率。但该算法的准确率依赖于人工提取的特征参数,抗干扰能力不强。因此,本文后期对系统进行了优化,首次将深度学习应用到夹片缺陷检测领域,提出了一种基于焦点损失的残差网络的夹片牙型缺陷识别方法。实验结果表明,准确率高达99.61%,达到了系统的检测要求。总体而言,本文最终实现了一种基于深度学习与机器视觉融合的夹片缺陷检测系统,达到了工业级的检测速度和准确率,满足了企业的夹片缺陷自动化检测需求,具有重要的学术研究和工程应用价值。