电子产品大多以流水线模式生产,每道工序都会影响产品的质量和寿命,其中焊点检测是一道重要的生产工序,能否准确高效地完成焊点合格性检测直接决定产品的质量和生产的效率。目前,线缆接头焊点合格性检测大多采用人工视觉检测法,该方法具有较大的主观性,且存在检测的准确性和可靠性较低的问题。针对上述问题,论文主要利用计算机视觉技术采集焊点图像并利用深度学习技术对焊点合格性进行快速检测,实现焊点的自动化检测,对于保障基于生产线生产的电子产品的质量和生产效率具有重要意义。本文从焊点数据图像采集、处理以及焊点合格性等方面展开研究,实现焊点的自动化检测,具体研究工作如下:(1)创建USB线缆接头焊点数据集。由于将深度学习技术用于对USB线缆接头焊点的检测是一个全新的领域,没有可用的数据集。因此,本文创建USB线缆接头焊点数据集。首先对数据进行了清洗,然后利用离散傅里叶变换、霍夫直线检测、仿射变换对倾斜图像进行有效地矫正,经过实验验证,矫正效果良好,最后使用labelme图像标注工具创建USB线缆接头焊点数据集。(2)基于DCNN的焊点合格性检测。针对传统焊点检测算法识别率低的问题,本文提出了一种基于DCNN的焊点合格性检测模型。鉴于浅层CNN网络提取到的特征不足,如一般浅层网络只能提取一些低级特征,对线条、棱角以及边缘等层级检测效果欠佳,不能满足工厂的要求。因此,采用深度卷积神经网络对焊点进行检测。其中,在DCNN中采用了批标准化+Xavier初始化使得模型达到最优,实验结果证明,本文算法识别率高、检测速度较快。此外,通过在全连接层之间加入批标准化解决了损失函数动荡的问题。(3)改进的Mask R-CNN焊点合格性检测。针对DCNN模型对六芯接头的焊点检测效果较差的问题,本文提出了一种基于改进的Mask R-CNN的焊点合格性检测方法。该模型通过优化网络结构以及改进ResNet50特征提取网络,并使用FPN网络将低层与高层的特征进行融合,使得特征图具有不同的感受野。另外,利用RPN网络产生候选框,对候选框中的每个焊点进行合格性检测,使得六芯接头检测率低的问题得到解决。实验结果证明,本文改进的Mask R-CNN算法识别率高,且检测速度优于原有Mask R-CNN。