电子制造业是当前发展最为迅猛的行业之一，随着电子元器件朝着微型化方向发展，质量检测难度大大提高。一方面，传统的人工抽检的方式，效率低，精度差；另一方面，运用机器视觉进行质量检测时，没有适用于多种电子元器件质量检测的统一模型可以遵循。针对电子元器件的形状缺陷，研究机器视觉检测技术，构建电子元器件的形状质量检测模型，实现自动化检测。

本文主要研究内容如下：

  1） 分析用于质量检测的机器视觉应用，针对检测模型适应能力差的问题，以模板对比为主要思路，提出了可以适用于不同电子元器件形状质量检测的模型。

  2） 研究基于深度学习理论的目标检测方法，提出基于YOLO网络的电子元器件检测识别方法，以YOLO网络结构为基础，简化网络，融合不同粒度特征，增强网络模型对细微特征的表达能力，构建适用于电子元件目标检测识别的网络结构；提出使用标准元件的模板图像为基准，通过几何变换进行数据增强的方法，大大降低了对网络训练对采集数据的需求；

  3） 根据电子元器件图像的特点，分析常见的图像配准技术，为保证检测精度和稳定性，采用基于傅立叶变换的图像配准方法，并通过在频域内先粗估计，再在其邻域内进行精定位的方法估计变换参数，达到亚像素级配准精度；分析和对比图像分割方法，选用迭代阈值法进行电子元器件提取；通过与标准元件图像对比，分离出待测元件与标准元件之间的差异，计算差异部分面积；最后提出了运用小概率事件原理确定用于判断电子元器件形状质量的缺陷面积阈值；

  4） 以航天电子连接器中的弹性绞线插针为实验对象，对整个检测过程进行验证，结果表明本文提出的电子元器件质量检测方法可以有效检测出元器件在形状上的质量缺陷，在弹性绞线插针样本集上进行测试，准确率可达97.87%；最后，运用web应用技术进行软件系统实现。