汽车电子接插件广泛用于汽车电力与信号系统中,起到电路控制与信号传递的作用,电子接插件质量的可靠性牵涉到整辆汽车的安全,是汽车电路中极为重要的一个零部件,对装配前的接插件需要进行严格的质量检测。鉴于传统的汽车电子接插件的质量检测工作主要依靠简单的人工目视检查,对接插件的检测工作存在人工成本高、效率低、检测标准不统一、检测精度低等问题。因此本文提出一种基于机器视觉和深度学习相结合的自动化接插件插针检测方法,实现接插件快速、高精度、自动化的检测。本文针对电子接插件的插针识别与插针定位工作展开研究,论文主要研究内容如下:(1)针对电子接插件自动化视觉检测系统中高质量图像采集问题,对机器视觉检测系统的图像采集方案和照明方案进行了详细研究,确定相机、镜头、光源的选型及照明方案,搭建一套视觉检测平台。(2)针对采集的接插件图像中插针目标较小,传统图像处理方法对插针检测识别较为困难的问题,提出一种基于改进YOLOv3的插针识别算法。通过在YOLOv3主干网络中引入Dense Net网络结构,优化特征信息的传递,增强模型的学习能力,缓解梯度消失现象;同时针对接插件插针这种小目标的检测进行优化,对模型的预测尺度进行调整,提高模型对插针的识别精度。实验结果表明,改进的YOLOv3-Dense网络模型具有较高的检测精度与检测速度。(3)针对接插件图像采用传统方法对插针定位精度低的问题,提出一种基于改进Zernike矩和均值漂移的插针亚像素定位方法。首先对插针目标特征进行分析,实现插针图像背景分离,提取插针感兴趣区域;其次使用改进的Zernike矩方法对插针边缘进行亚像素提取,结合Mean Shift聚类算法和最小二乘法实现插针位置的亚像素定位。实验结果表明,该方法对接插件插针的定位精度在0.1个像素之内。