零件是工业生产制造过程中必不可少的组成元件。不论是航空航天装备制造业,还是精密仪器制造业,零件都发挥着不容忽视的重要作用。将机器视觉检测与识别技术搭载于各类自动化设备,实现零件的智能化识别与抓取,对工业生产制造领域的智能化发展具有极大的推动作用。基于深度学习的物体检测与识别方法具有易于提取物体特征的特点。面对不同应用场景,采用图像数据增强的方法扩充训练图像数据集提升模型的泛化能力,融合多尺度特征网络提升检测的实时准确率。本文主要以不同类别的光亮金属零件作为研究对象展开深入研究,提出基于机器视觉的光亮零件在线检测与识别方法。本文的主要工作如下:首先,针对本文研究对象自身的特点,设计机器视觉在线检测与识别系统,对系统关键硬件设备进行选型,搭建了机器视觉检测平台。利用该系统,采集并建立光亮金属零件图像数据集。其次,本文研究了多种传统图像数据增强方法,通过实验验证传统图像数据增强方法得到图像数据的局限性。结合光亮金属零件的特点,提出改进的基于深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Network,DCGAN)的金属零件数据增强方法。利用公共数据集进行对比实验,验证得到本文方法在图像数据增强上的可行性与生成图像质量的优越性。最后,将基于深度学习的多种目标检测方法进行研究对比,结合多尺度特征金字塔网络的特点,提出基于改进多尺度特征金字塔网络(Feature Pyramid Network,FPN)的金属零件在线检测与识别方法。利用不同目标检测方法进行实验,验证对比得到本文方法在光亮金属零件检测与识别上的有效性。结果表明,本文方法的检测准确率平均可达99.2%,满足工业检测的准确性要求,平均速度约为0.093秒,满足生产制造过程的实时性要求。综上,本文以光亮金属零件作为研究载体,利用改进的基于深度卷积生成对抗网络方法扩充建立的金属零件数据集。利用改进的多尺度特征金字塔网络与目标检测算法结合,实现基于机器视觉的金属零件在线检测与识别。