随着新一轮工业革命蓬勃兴起,视觉检测技术已经成为工业检测发展的主要瓶颈之一。圆锯片作为典型的切割工具,其尺寸的检测却仍处于人工水平,而传统视觉检测技术容易受到工件表面纹理和外界环境影响,对于大尺寸工件的检测精度及效率难以满足生产的需求。随着卷积神经网络的迅速发展,在图像特征提取上具有很强的泛化能力。因此,本文通过研究基于卷积神经网络的视觉检测方法,围绕检测系统设计、边缘特征提取及细化处理、亚像素边缘检测及实验分析展开工作,实现圆锯片基体尺寸高精度测量。根据圆锯片基体尺寸测量精度要求,确定了检测系统的设计要求及组成结构;阐述了相机等重要部件的工作原理并进行参数计算与选型,分析了基体表面反射特性并提出了前向照明方案;基于模块划分原则进行了软件功能模块设计,完成了检测系统的总体设计,为后续实验研究奠定基础。分析了传统边缘检测方法,通过实验表明了传统算子对于基体边缘检测的鲁棒性差,建立了基于RCF的边缘检测模型,增加了残差结构进行模型改进,实现将多尺度的边缘特征图进行融合;通过图像采集创建了对应边缘标签图并进行模型训练,实现了边缘特征提取,在此基础上通过非极大值抑制、双阈值分割及形态学细化,获得了完整和精细的边缘图像,为进一步提高边缘点定位精度提供了依据。研究了 Zernike矩亚像素边缘检测原理,建立了 Zernike矩的7X7模板数学模型,通过将图像中各像素点与模板卷积运算,实现了边缘点像素定位精度提高至亚像素级;研究了相机标定的方法并计算了相机径向畸变等相关参数,基于最小二乘法对外边缘亚像素坐标拟合,进而实现了外径尺寸测量;通过实验对本文所提出的算法进行验证,结果表明:外径误差在0.08mm左右,满足圆锯片基体的检测要求,验证了本文算法的有效性及鲁棒性。本课题的研究解决了圆锯片基体外径尺寸的视觉测量,实现了大尺寸工件高效、高精度的检测目标,对于提高生产的智能化程度和产品质量管控能力具有十分重要的意义和价值。