随着电子制造技术的发展,电路板上元件贴片安装(SMT)已广泛采用自动光学检测技术(AOI)进行安装缺陷检测。目前AOI设备基本都采用统计建模、模板匹配的检测方式,可靠性高、速度快。但每次更换产品型号,都需要重新进行统计建模,要通过对人工目检为合格的样本进行统计学习以建立模板,然后进行自动检测。这种建立模板方式耗时且繁琐,所以AOI设备在小批量多品种的电子制造企业应用效果不好。本文研究了基于深度学习的贴片元件焊接缺陷检测方法。在AlexNet网络的基础上建立深度卷积网络,通过对大量各种型号的电阻、电容等小型元件的焊接样本进行学习,然后对不同型号的电阻、电容元件的焊接缺陷可以进行有效检测。这样建立了通用方法,对不同型号产品,只需判断电阻和电容等元件位置,即可进行其焊接缺陷检测,避免了更换产品型号后需要重新建立模板的环节,提高了生产效率。深度学习能够直接从输入的图片中提取分类特征,并通过多层卷积网络得到高层次的抽象特征,找到焊接缺陷图像的共同特征,对于不同型号的元件都能做到准确快速的焊接缺陷检测。实验结果表明,本文提出的基于深度学习的贴片元件焊接缺陷检测方法,能够高效地实现不同型号元件的焊接缺陷检测。另外,本文对贴片元件安装缺陷检测过程中的元件定位、快速型号检测问题进行了研究,并进行了创新设计。对于贴片元件的定位,采用了PCB元件信息提取与最小外接矩形检测技术相结合的方法,就元件定位和偏转角度检测进行了研究,在许可的检测精度误差范围内提高了检测速度。对于贴片电阻型号检测问题,本文设计了字符特征编码与光字符验证相结合的型号检测算法,该算法通过对字符进行灰度跳变检测并编码,进行字符验证,只需要在检测线位置进行扫描,不用进行每一个像素点的比对,也不用分割出单个字符,该算法不仅对元件具有良好的鲁棒性,而且提高了贴片元件型号的检测速度。通过对PCB贴片安装生产线采集图像进行的实验室检测实验,验证了本文方法的有效性,进一步将应用于改进AOI设备的性能。