随着第四次工业革命的兴起,科技升级改革将使消费类电子产品、5G通信、新能源汽车等下游应用领域产生巨大空缺,约占全部电子元器件用量40%的电容器上游供应链将迎来重大利好。然而电容器产量的提高和劳动力成本的攀升,导致传统低效的肉眼检测方法已不能适应当前企业的生产需求。本文以导箔型铝电解电容器为例,旨在通过深度学习方法来解决类似目标尺寸形状不一、可能出现特征缺失且摆放随机等问题。主要完成的工作如下:（1）本文首先搭建了视觉检测平台,根据电容器表面的检测需求确定了视觉产品的选型。然后通过图像预处理增强目标特征后,采用模板匹配方法进行电容器定位分割实验,将高分辨率图像划分为大小统一的单电容器子图。最后对其图像数据进行扩增和标注,完成深度学习所需数据集的构建。（2）针对SSD（Single Shot Multi Box Detector）目标检测方法参数量较大不便于移植的问题,本文采用Mobile Net V3替换原SSD方法的主干特征提取网络,降低网络参数的计算量,设计了Mobile Net V3-SSD的轻量级融合网络。对于自制电容器数据集较小的问题,采用迁移学习方法预训练主干模型,减缓对特定任务的数据依赖。通过实验结果分析,融合后的网络运算速度比原SSD方法提高了1.62倍,在保证精度的前提下提升了网络的检测速度。（3）针对提出的MobileNetV3-SSD网络精确率相对较低的问题,首先通过K-Means先验框聚类,优化检测网络的先验框设计,提高了目标检测的Io U百分比。然后改进smooth L1损失函数加快网络前期训练的收敛速度。最后对于特殊情况下可能存在电容器目标的特征缺失,基于全局上下文设计了特征金字塔多尺度模块,并将其嵌入到网络中。通过实验结果分析,改进后的融合网络m AP值比原SSD方法提高了5.93%,而对目标检测的运算速度相比之下提高了1.36倍,总体上兼顾了电容器表面检测的速度和精度。（4）为了分析所提出方法的实际应用价值,本文导出及部署训练好的网络模型,并开发了对应的电容器实验检测软件平台,实现前端的可视化界面以及后端的缺陷逻辑判断。通过电容器实物验证测试,结果表明该检测平台基本满足常用的功能需求,并符合预期的检测效果。综上所述,本文提出的基于深度学习的电容器表面视觉检测方法,在规定的误差范围实现了对电容器负极和环状色带的精确识别定位,并在光照变化下泛化能力较强,适用于工业检测现场的应用。