智能制造领域中对机器视觉技术的研究和发展由来已久，并且已经具有了相 当大体系和规模的落地项目。但是传统机器视觉技术性能有限，在大规模的图像 识别，高复杂度的目标检测、图像分割等方面无法达到理想的效果。深度学习的 出现从根本上解决了传统算法的性能问题，无论在图像处理还是在自然语言处理 等领域都打破了传统算法的性能瓶颈。但是深度学习的高性能依赖于大量的数据 集和更深层的模型结构，导致模型参数数量过多，计算量过大，对硬件设备的性 能具有极高依赖性。在实际的工业生产领域，大部分的机械设备属于嵌入设备或 移动设备，其内存容量较小，CPU 计算能力有限，难以满足深度学习模型的计算 需求。如何使深度学习模型能在嵌入式设备中顺利运行，并满足工业制造中的实 时性要求成为当前的研究热点，被称为模型的“轻量化”。工业界深度学习的应 用目前正处于起步阶段。本课题从深度学习最新成果出发，以工业制造领域的机 械零件识别为研究对象，从原始数据的采集、数据集的预处理和构成、模型的轻 量化改进三个方面进行研究，探索了机器视觉中深度学习的应用，并在自主采集 的 100 类零件数据集上实现了 98.81%的准确率。
