随着机械加工技术的不断发展,产品的批量化生产对自动化技术的要求程度越来越高。因庞大的市场驱动,首饰这一传统工艺品的生产同样面临从纯手工向自动化转型的问题。然而首饰样式种类繁多,且表面多为不规则的空间曲面和曲线,这为加工基准点的确定带来挑战,在短时期内难以实现完全的自动化。本文研究关注于“自动化分拣”这一技术,并以此作为提升该类产品的加工技术的切入点。使用机器视觉配合深度学习是当前实现“自动化分类”的主流方式。通过用机器代替人眼,既可以提高机械设备生产效率与自动化水平,还可以确保加工结果的可靠性和工人的安全性。因此,本文的研究落脚于戒指特征检测视觉分类系统的制定。针对具体的作业内容和设计要求,提出了一种以戒指毛坯尺寸和外轮廓镶石方式为特征的分类方案,并设计了视觉分类平台的总体系统。设计了戒指特征视觉检测台,并对工业相机和镜头进行了选型。结合现有的分拣方式,设计了分拣系统的机械臂和机械夹爪结构,并对控制方案进行了确定,选取了所需要的硬件模块。针对分拣系统,进行了机械臂的运动学建模分析并确定了其最大运动空间,为物体的抓取奠定基础。为了减小机械臂的负载压力,满足轻量化设计要求,基于ANSYS对机械手进行了拓扑优化建模分析,并基于ADAMS验证了其夹取范围的合理性和运动过程的平稳性。针对戒指的尺寸特征,进行了相机和像素比率值的标定,并利用传统图像处理配合改进的霍夫圆检测算法对圆特征进行了提取,确定了机械夹爪的夹取中心以及加工机床所需的胀套类号。针对戒指的外轮廓镶石方式,提出了一种基于戒指外表面钻石镶嵌方式的分类标准,构建了数据集并进行了数据增强处理,改进了Le Net-5深度学习模型的结构,利用改进后的模型对数据集进行了训练。基于Py Qt设计了该系统的图形用户检测界面,实现了算法封装和人机交互。对于上述提出的方案,本文对提取戒指尺寸特征的算法进行了相关验证实验,并进行了深度学习模型参数优化实验,最终得到了训练好的戒指外形镶石方式分类模型。实验结果显示:圆提取算法的检测精度、分类准确度和模型分类准确度都很高,同时,人机交互界面对上述的功能检测可以实现很好的封装,可以看出该视觉分类系统性能良好,运行流畅,基本达到预期要求。