在电子元件生产中,缺陷检测环节对于保证元件出厂质量而言非常关键。电子元件缺陷产品需要被准确检出,以保证电子元件出厂的良品率。目前,基于机器视觉的缺陷检测方法已被广泛应用到实际生产中。然而,传统的机器视觉方法对电子元件图像进行缺陷检测往往依赖于人工提取的大量特征。而且,对于与非缺陷样本差异较小并具有噪声的缺陷样本,传统的机器视觉方法通常难以满足实际应用对该类缺陷检测的精度要求。相比传统的机器视觉方法,深度学习具有提取图像中更深层的复杂特征的能力,在图像分类上表现更加出色。因而本文使用基于深度学习的图像缺陷检测方法。另外,本文针对以下电子元件缺陷检测中的实际情况作进一步的研究和讨论:部分待检测电子元件图像中的缺陷较为细微;电子元件的缺陷类别多种多样,在实际生产过程中,难以获取到所有种类的缺陷样本;实际获取的缺陷类样本数量相比非缺陷类少很多,造成了样本不平衡的问题;使用深度学习时,大量需训练的模型参数使得检测难以兼顾效率和精度。围绕上述问题,本文主要研究成果如下:(1)在数据集中电子元件缺陷类样本多样性不足使得缺陷类间距离并没有远大于类内距离(即距离不可分)导致缺陷类边界难以确定,符合一类问题的特点。因此本文提出了基于一类分类的卷积神经网络(Convolutional Neural Network,CNN)对电子元件的缺陷进行检测。通过分类阈值的设置,模型实现了对非缺陷类(正)样本的聚类,这在负样本多样性不足的情况下,可有效提高模型的分类精度。为了验证该模型的性能,本文设计了基于二类分类的卷积神经网络和CNN-SVM作为对比,实验表明,该模型在此类数据集上表现了较好的性能。(2)针对图像中正负样本不平衡问题,本文根据缺陷类图像特点,提出了缺陷图片显著性区域过采样方法,从而增加缺陷类样本数量,解决正负样本不平衡问题。为了验证该过采样图像数据集的有效性,设计一类CNN模型和二类CNN模型对其进行实验,并将实验结果与随机欠采样和重复过采样数据实验结果进行对比。实验结果表明,显著性区域过采样方法显著提高了检测精度,说明通过过采样方法获得的正负均衡的样本在一定程度上可提高缺陷检测精度。同时,实验结果表明,对于大样本图像集,二类CNN具有比一类CNN更高的分类精度和效率。(3)针对正负样本均衡的大样本图像集,为了提高缺陷检测的精度和效率,本文提出了两步卷积神经网络模型(Two-step Convolutional Neural Network,TSCNN)。首先利用二类CNN模型对原大样本集进行分类,分类概率小于0.25的样本被分类为负类,概率大于0.75的为正类。而概率介于0.25和0.75的少量样本因置信度不足,需要使用一类CNN进行再次分类。与一般的卷积神经网络进行对比,实验结果表明TSCNN在保证效率的基础上准确率提升了1.37%。(4)为进一步提高电子元件图像缺陷检测的精度和效率,本文在可加快运算速度的二值网络的基础上,提出了改进的基于自适应池化的二值网络模型,以弥补量化引起的精度损失。将该模型与一般二值网络进行对比,结果表明,在不增加运算时间的基础上,该模型的准确率进一步提升了0.87%。