随着当前科学技术的发展,电子产品的使用已然成为一种大的趋势,但因产品更新而淘汰的电子废物也在逐年增加,不仅造成资源浪费且对环境产生破坏。淘汰或报废的电子产品中富含丰富的可再生资源,如对整个废线路板进行溶解提纯处理不仅效率低下且污染环境,若能对其高价值部分的电子元器件进行集中处理或回收利用,不仅提高了经济效益且减少了对环境的破坏。目前传统的视觉算法只能针对场景目标单一或尺寸跨度范围不大的情况,基于电子产品种类多、尺寸大小不一的特点,导致其内部的线路板也各不相同,倘若再使用原先的方法识别准确率和定位准确性都较差。针对上述待解决的问题,本文结合深度学习相关知识,提出设计面向自动拆解的废线路板高值器件智能识别系统。主要工作和取得的成果如下:（1）研究高值元器件自动识别系统的总体方案设计。首先研究当前目标检测领域内主流的深度学习模型和相关理论知识,经过对比确定可行的模型方案。然后根据高值元器件的种类和实际的应用场景,考虑到切割、工作效率等实际成本,本课题所述的高值器件指CPU和IC两种,确定了光源的类型和相机的选型,最后根据设计要求初步确立了一套可行的软硬件方案。（2）开发基于YOLOv4的高值器件识别算法。首先配置Windows操作系统下的编译环境,搭建Darknet和Pytorch深度学习框架,通过制作好的标准数据集构造当前目标检测领域的主流深度学习网络模型（FasterRCNN、SSD、YOLOv4）,并对结果进行试验分析。结果表明YOLOv4模型的检测效果最好,接着根据高值器件的形状特点对YOLOv4算法中的目标先验框进行K-means聚类优化,通过迁移学习对模型进行训练与优化,最终测试得到的模型m AP指标达到了90.1%。（3）开发一种基于高值器件多目标的检测与定位算法。首先对检测区域进行目标识别,根据识别到的目标对象进行关联性处理,其次根据算法公式,对于属于同一类别且关联性值大的目标对象进行合并,然后依据相机、固定物距、分辨率之间的关系,最后得到检测区域上待切割的目标对象信息,最终实验得出识别准确率达到了90%,位置估计误差小于2mm。（4）开发高值元器件识别与定位系统。在硬件方面,选择海康威视工业相机与镜头、LED点阵条形白色光源;在软件方面,使用C++编程语言,结合QT、Open CV、海康威视相机SDK、上位机与PLC通信及已训练好的目标检测模型,开发相应的人机交互式界面软件,最终通过搭建综合的实践平台对本文所述的方法进行验证分析。