随着互联网的快速变革,深度学习作为机器学习的重要分支日益得到普及。为让计算机像人一样思考,人类对错综复杂的动物神经系统进行长久的探索,已用计算机将其实现并服务人类生活。深度学习模拟神经元传递处理信息的模式,凭借其准确高效性在图像、语音、视频、文本、数据分析方面均有广泛应用,最先的应用领域是图像识别,在人脸识别、车牌识别方面已有较好的应用。而工业生产中存在着大量简单且重复的人力工作,完全可以由计算机代替,并且招工难、订单时间紧张已成为工厂发展的最致命难题,因此工厂转型升级迫在眉睫。计算机可以24个小时不间断工作,既加快工作效率缩短订单完成时间,又顶替人力以降低人力成本,对企业来说是个一次投入长期回报的项目。本文针对中国·双马塑业有限公司销量最高的产品——多功能切菜器需求大却人力有限的现状,就多功能切菜器363的包头盖和中体的分拣工作进行自动化研究,核心工作是为加快流水线生产效率并降低人工成本训练出自动识别切菜器的包头盖和中体的模型,本质为图像的识别分类问题。首先,从流水线实地采集切菜器的包头盖正面、中体正反面7个颜色各200个样本,共计样本数量4200个,对采集的图像进行批量规则命名后进行数据增强扩大样本数至20000个,最后用LabelImg对图片进行打标处理生成XML文件。其次,在Intel i7处理器32G内存,显卡NVIDIA GeForceRTX2080Ti的Linux系统上搭建tensorflow深度学习框架。第三,随机选取70%的数据作为训练集,其余为测试集,直接用产品样本数据对faster_rcnn_inception_v2,faster_rcnn_resnet50,ssd_mobilenet_v2,ssd_inception_v2四个模型进行训练。每个模型均训练20万步后,faster_rcnn_inception_v2模型的精度最优达到93.89%,但该模型对硬件要求很高。第四,利用迁移学习训练以上模型,发现除faster_rcnn_resnet50模型之外的其他模型精度均得到明显提高,ssd_inception_v2+迁移学习模型的精度较为可观,与faster_rcnn_inception_v2+迁移学习模型的精度不相上下,但SSD模型对硬件要求较低,且错误识别仅发生在大类内的小类间,即错误识别的代价较小。最后将这几个模型用于产品识别分拣,综合考虑,选择ssd_inception_v2+迁移学习模型。第一,性能度量方面,ssd_inception_v2+迁移学习模型和准确率最高的模型准确率相差甚微,仅差0.25%。第二,运行速度方面,相比于其他算法,SSD系列的算法运算速率是最快的。第三,设备适用方面,考虑到最终训练模型要放到树莓派上进行计算,因此选用在手机上都能流畅运行的SSD系列模型更为合适。第四,错误识别代价方面,结合实际生产情况,错误识别发生在大类之内的小类之间代价最小,而ssd_inception_v2+迁移学习模型的错误识别仅发生在小类之间。