近年来我国的汽车需求不断增长,对于汽车发动机生产制造过程的自动化要求越来越高,自动化装备和自动检测系统的应用,大幅提高了产线上的自动化水平和产品质量。但目前,发动机生产商在某些工件上料环节仍采用人工搬运方式,存在着劳动强度大,生产效率低等弊病。在成品质量检验环节,采用人工目视检查发动机缸体的表面缺陷,工人容易视觉疲劳,造成错判率、漏判率高居高不下问题,严重影响了产线的效率和产品质量。本文采用基于机器视觉的形状识别技术对待上料工件进行自动识别与定位,配合吸盘机械臂实现自动上料。同时,采用机器视觉技术和深度学习技术相结合的方法,对发动机缸体被加工表面进行瑕疵检测,以提高次品检出率、保证产品质量。论文主要研究内容如下:1、以LED为照明系统和单目末端开环视觉系统为基础硬件系统,对图像预处理、边缘检测、形态学处理等图像处理算法进行了对比实验,并对深度学习和卷积神经网络进行了研究,为后续的目标识别与定位和瑕疵检测奠定了基础。2、针对工件的识别与定位问题,首先对待上料工件图像进行预处理,然后对图像进行边缘检测和形态学处理,采用霍夫检测识别形状,再进行目标的定位和姿态求解获取平面坐标信息,并通过红外传感器获得高度信息,最后根据码垛策略把工件中心点坐标信息传送给吸盘来实现码垛。3、针对缸体表面的瑕疵检测问题,论文研究分析了基于机器视觉和深度学习的瑕疵检测方法,提出了机器视觉技术和深度学习技术混合的瑕疵检测方案,当传统视觉检测方法检出率不高时,通过辅助深度学习的方法来对图像进行二次检测,提高次品的检出率,并设计实验来验证了该方法的有效性。4、基于MFC(微软基础类库)开发了识别与定位及瑕疵检测应用程序,将上述算法集成到各个功能模块中,实现了目标识别与定位和瑕疵检测功能。软件的实际应用效果表明:工件位姿信息、混合的瑕疵检测方法明显提高了缸体次品检出率,且用户的操作方便快捷,程序运行快速稳定,实现了项目预期效果。