近年来,随着社会的进步和人们生活水平的提高,人们对电子产品的需求量也越来越大,电子产品需求量的日益增加,就带动了组成电子产品的电子元件需求量增加,同时也对电子元件的质量和可靠性提出了更高的要求,那么电子元件的检测问题也成为了一个日益突出的研究课题。电子元件检测可分为分立电子元件检测和印刷电路板电子元件检测,分立电子元件检测是检查单个的电子元件是否存在外观缺陷,印刷电路板元件检测是检测待组装的电子产品中的一个功能板上的某个电子元件是否存在外观缺陷。分立电子元件检测问题和印刷电路板元件检测问题可以归纳为计算机视觉中的分类问题和目标检测问题。在以往的电子元件检测方法中,大都使用传统的图像处理方法,未采用深度学习的方法,主要原因是缺陷数据量较少,而深层神经网络训练需要较多的数据。因此,在现有条件下有效扩充缺陷图像数据就成为了一个突出的研究问题,其次是要提高检测的精度。本文所做的贡献在于,深入研究了分立电子元件分类问题中的数据扩充问题和印刷电路板目标检测问题中的检测网络设计问题,其中在分立电子元件分类检测和印刷电路板目标检测中,分别以贴片电容和电解电容为研究对象开展了相关问题研究。主要做了以下创新:1、电子元件数据库的创建。通过走访工厂、收集拍摄建立了贴片电容元件图像数据库和印刷电路板图像数据库。2、提出了基于光照掩膜的条件生成对抗网络Ipix2pix。深入研究了相关GAN模型,如GAN、CGAN、Pix2pix,针对Pix2pix网络模型中只利用形状掩膜的不足,提出了基于形状掩膜和光照掩膜的生成对抗网络模型。3、用提出的Ipix2pix网络模型生成贴片电容缺陷图像,提升了生成缺陷图像的多样性和真实度,有效扩充了贴片电容图像数据集,有力支撑了贴片电容的分类实验。4、基于YOLOv3的印刷电路板电解电容检测。研究了YOLOv1、YOLOv2和YOLOv3三种网络模型,并在YOLOv3的基础上提出EC-YOLOv3,用于印刷电路板电解电容的检测。