为了提高贴片电阻质量检测的速度和准确率,本文采用机器视觉技术结合深度学习技术,针对贴片电阻的外观尺寸检测和表面缺陷识别进行了研究和实验分析,开发了贴片电阻缺陷检测视觉系统。本文的主要工作内容如下:根据产品外观特征,考虑到经济及现场实际生产环境等因素的影响,选择了相机、镜头及光源等硬件设备的型号,搭建了测试用的硬件环境。根据相机模型和坐标系转换等基础知识,说明了相机的九点标定法的原理,利用九点标定法完成了贴片电阻尺寸检测系统的标定。采用双边滤波等图像预处理方法,突出了贴片电阻外轮廓边缘的特征信息,使用基于轮廓特征的模板匹配方法定位贴片电阻,同时获取到贴片电阻的外轮廓的ROI区域。在ROI内提取贴片电阻外轮廓边缘,并拟合成线段后计算贴片电阻的长宽尺寸,判断贴片电阻的尺寸是否合格。在贴片电阻的表面缺陷检测方向,分别使用了基于机器视觉和基于深度学习的两种识别方法进行对比实验。其中基于机器视觉的识别方法采用了基于模板匹配的字符识别算法检测字符缺陷,根据贴片电阻表面的连通域特性筛选并识别出正反面电极缺陷和崩碎缺陷,并通过测试获得了该方法的运行时间和准确性。该方法的识别准确率和运行时间均能够满足工厂的生产需求,且算法复杂度较低。基于深度学习的识别方法根据本文制作的贴片电阻合格产品和缺陷产品的数据集,使用了迁移学习的方法训练了Res Net-18和Efficient Net-B0两种神经网络模型。同时,使用了数据集的验证集,进行两种神经网络模型的缺陷检测识别能力的测试实验。实验表明,Efficient Net-B0模型的性能更好,识别的准确率更高,相比于基于机器视觉的贴片电阻缺陷识别方法的识别速度更快。因此本文最终采用Efficient Net-B0模型识别贴片电阻的表面缺陷。依据上述所设计的算法和功能,本文使用C++语言在visual studio2017集成开发环境中完成了贴片电阻尺寸检测和缺陷检测软件系统的编写,该视觉系统的尺寸检测精度可达±0.05mm,缺陷检测准确率达98.78%,保障了贴片电阻的生产质量,实现了尺寸检测和缺陷检测视觉系统操作的可视化,增强了企业的市场竞争力。