精密铆钉作为制造领域最常用也是最重要的工件之一,具有广泛的用途。铆钉的材质、加工工艺以及工件误差对其使用价值有着重要影响。对于一些特殊领域的使用,除了要求其必须具有精确的尺寸、优秀的强度,还必须要求良好的表面质量。受限于当下产品加工工艺技术,无法保证生产加工的铆钉尺寸精确和表面质量一定合格。因此对生产加工后的精密铆钉进行二次质量检测、分类显得非常必要。本研究针对精密航空铆钉的尺寸和缺陷进行深入的分析研究,提出了一种利用机器视觉和深度学习中区域卷积神经网络进行高效率、高精度、高实时性的分类检测系统。本论文研究主要内容分为五部分,第一部分对研究背景进行介绍,包括行业背景和技术背景。分析当前国内发展现状以及国外发展现状,并根据发展现状提出多技术结合的系统化检测思路。第二部分对系统检测的尺寸和缺陷参数进行分析,尺寸包括顶面直径、头部厚度、埋头面夹角、总长度,缺陷主要包括表面划痕、凹坑、圆度、凸起、擦伤等。介绍了开发过程需要具有C、C++、Qt、Opencv、数字图像处理、卷积神经网络以及图像捕获环境等知识储备。第三部分对系统进行总体概述。整个系统分为上位机软件算法系统和下位机硬件控制系统。本研究只针对上位机软件算法系统进行设计,系统由上位机软件的逻辑控制和算法完成对铆钉参数和缺陷的检测,通过串口通信发送命令等数据,使下位机系统完成铆钉的输入和输出等响应动作。同时对硬件选型和图像捕获方案进行探究。第四部分对系统各部分进行详细设计,包括数据库设计、应用软件设计及算法探究。根据系统数据管理需求设计数据库,根据系统运行逻辑设计应用软件。检测算法是本软件算法系统的核心,根据图像特征进行了相关检测算法的设计。因本系统为实时性检测系统,因此选择了速度和精度相对均衡的FasterRCNN网络模型。第五部分对系统进行了测试,包括单元测试和联合测试结果。单元测试包括相机、数据库、应用软件及算法等模块。根据系统联合运行、测试,系统对铆钉尺寸包括顶面直径、头部厚度、埋头面夹角、总长度,和缺陷包括顶面和埋头面缺陷检测(缺陷与合格二分类)均达到预期效果。最后对系统检测误差进行了分析和总结。对系统进行功能拓展改进,可提高其通用性。在总体框架和原理不变的情况下,可实现对更多不同类型的铆钉、螺钉或其他工件进行检测。