童车是家庭育儿不可或缺的儿童用品,金属管件作为构成童车的主要零件,其质量直接影响到童车的安全性,因此童车金属管件质量管控是企业重中之重。本文根据某知名品牌童车生产企业的实际需求,将机器视觉检测技术运用于童车金属管件加工质量检测中,研究相关检测算法和检测装备,推动企业实现童车金属管件的高精度、智能化、高效检测。论文从通用化视觉检测、多精度检测、基于神经网络的缺陷分类技术等3方面展开,包括以下工作内容:（1）根据童车生产企业一机多用的任务需求,进行了视觉检测设备的通用化设计。硬件方面,对零件种类多结构差异大的问题,考虑检测设备接口端的普适性从童车件管件定位治具出发,设计了可灵活拆卸、定位精准的定位治具;软件方面,对童车金属管件检测项目进行分类归纳,将可实现的检测项目分为6大类,包括17种尺寸检测功能。（2）研究特征定位方法及图像处理技术。童车金属管件待测特征分布分散,为提升零件检测效率、去除无关区域的干扰,结合每款零件结构特点引入参考点,通过参考点位置偏移的方法实现了待检特征ROI（Region of Interest感兴区域）精准定位;将阈值分割与形态学图像处理技术相结合,去除了特征周围存在的油渍、压痕、毛刺等干扰。（3）研究多精度检测要求的圆孔拟合算法。童车金属管件圆孔可能来自机加工或冲压加工,不同加工方式的圆孔其检测精度存在较大差异。为此提出了一种基于几何对称性精度可调的椭圆拟合算法,解决了圆孔变形、单台设备难以实现多精度检测的问题。（4）研究基于神经网络的金属管件加工缺陷分类技术。针对童车管件缺陷相似度高,传统机器视觉识别准确率低（60%左右）的问题,将神经网络技术运用于童车金属管件缺陷识别中。对Google Net网络模型进行改进,实现了 97%以上的缺陷识别准确率,可满足企业实际生产要求（96%以上）。（5）开发童车金属管件检测系统应用软件。基于Visual Studio 2019开发用户操作界面,采用Halcon及Tensorflow深度学习框架,构建出用户操作软件。通过相关实验验证了本套设备测量精度可达0.06 mm,缺陷识别准确率达到了 97%以上。