工件识别与分类任务是工业生产流程中一项十分常见的工作任务,它能够把不同种类的目标工件进行正确的分类处理,也可以用于分拣出有质量缺陷的工件。现有的零件识别算法基本都是从零件图像中提取一系列特征,再将这些特征提供给简单的机器学习算法,但是人工提取特征不仅工作量巨大,且选取出来的特征不一定是最优的。而卷积神经网络能够实现自动化的图像特征提取,与分类识别过程融为一体,并通过数据实现自我学习。因此本文提出了一种基于卷积神经网络的模式识别算法,实现了零件的识别与分类任务。首先,采集本课题所需的零件图像数据并进行数据增强,然后根据卷积神经网络的组成结构以及设计方法,并结合待分类图像的特点和课题的实际需求,设计了一种结构较为简单的卷积神经网络模型。该卷积神经网络由4个卷积层、3个最大池化层和2个全连接层组成,初步实现了零件分类任务。在应用上述网络结构进行零件分类时,针对某些形状和尺寸相差不大的零件之间容易发生混淆,进而导致分类的准确率不高的问题,本文提出了一种基于边缘检测和最大连通域的目标中心化图像预处理算法,它能够提取图像中目标所在的区域并将其移动到图像的中心位置。本文从理论层面对目标中心化的原理以及作用进行了阐述,并具体叙述了目标中心化算法的计算过程。对比实验证明,应用目标中心化算法后,模型的准确率得到了大幅提升。为解决卷积神经网络参数量大、计算复杂、难以应用于嵌入式移动设备的弊端,本文对之前设计的网络结构进行了改进,将全连接层使用全局平均池化层和1×1卷积层代替,大量减少了网络的参数。后续的对比实验显示,网络结构改变后网络的准确率几乎不变,在准确率和参数量之间得到了较好的权衡。本文的研究结果证明,卷积神经网络模型可以同时对零件的种类和尺寸进行分类,不仅避免了选择特征、建立模板库等繁杂的人工设计过程,而且模型的性能、精度和准确率都远远高于传统机器学习算法。同时,本文提出的目标中心化算法能够提高相似形状与尺寸间零件的识别准确率,适用于背景纯净且目标占据图像比例不大的场合。