我国电子产品年报废量急速增长,导致大量环境污染和资源浪费,迫切需要开发高效的处置利用技术与方法,以便对线路板金属材料进行回收利用,特别是那些富含金、银等稀贵金属的电子元器件,若能对其进行单独拆解,集中提纯处理,将有效的提高处置效率,同时也会减少后期提纯中化学试剂的用量而降低环境污染。但由于线路板电子元器件种类多、目标尺度范围大、背景复杂等特点让传统的识别与定位算法在电子元器件自动识别与定位过程中出现计算量大、准确率低、算法可移植性差等问题。针对这一问题,本文提出了一种基于深度学习的废弃线路板电子元器件自动识别与定位的方法。通过搭建深度学习网络,构造电子元器件检测识别模型,结合相机标定方法实现了对废弃线路板电子元器件的自动识别与定位,让识别与定位效果得到了显著的改善。本文主要进行了以下几项工作并取得成果如下:1)网络建模与试验分析。在Ubuntu系统下利用Python编程语言及Tensorflow深度学习框架搭建网络(SSD、Faster RCNN、YOLOv3),分别利用自制的电子元器件数据集和部分KITTI数据集构造相应的检测识别模型,并做了试验分析,结果表明SSD网络模型检测速度最快,但对于小目标检测明显不足;Faster-RCNN检测准确率虽然高,但检测速度较慢;YOLOv3网络模型拥有最好的综合检测性能,其检测准确率达到了77.32%,但在检测尺度较大的插槽时仍会产生拟合度不高和重检,在检测偏小的IC芯片及晶振时会产生漏检和得分偏低等问题。2)网络优化与试验分析。针对YOLOv3网络模型算法在检测废弃线路板电子元器件中存在的问题,采用两种不同的思想对YOLOv3网络进行结构、参数和训练优化。首先分别搭建了4尺度检测结合Res-Net型连接结构的YOLOv3-Darknet61和4尺度检测结合Dense-Net型连接结构的YOLOv3-Darknet50电子元器件检测识别网络,然后利用自制的线路板电子元器件数据集和部分KITTI数据集结合一系列的优化训练方法构造相应目标检测识别模型,通过大量的试验证明,优化后的电子元器件目标检测模型性能均比YOLOv3原网络模型优越,其中YOLOv3-Darknet61检测准确率达到了81.01%,而YOLOv3-Darknet50不仅检测准确率达到79.7%,检测速度提升了0.09s,且在训练过程中模型参数资源占用量比YOLOv3减少了98.93MB。3)电子元器件定位及系统设计与开发。根据相机的成像原理,实现对相机标定并进行精度校核试验后,结合深度学习目标检测位置边框回归来获取目标在图像中的坐标参数,通过坐标变换获取目标实际空间位置坐标。最后对废弃线路板电子元器件拆解回收过程中的功能与性能需求进行分析,对电子元器件识别与定位系统进行设计,结合本文开发的电子元器件识别与定位算法开发了简易实用的软件系统。