随着计算机技术的发展,目标检测技术已经被广泛地应用于工业机器人以及工业生产中,但是目前生产环境中复杂背景下小目标的检测精度和速度仍无法达到生产要求;另外,现阶段检测算法大多需运行于性能较强的工控机中,对于性能较弱、但体积和功耗更有优势的嵌入式设备,检测算法仍无法在此类设备上实现快速检测。为了解决以上问题,本课题依托于国家自然基金项目“智能装配机器人视觉自主识别、高精度定位与柔顺控制方法研究”,针对混叠电子元件检测算法,通过对现有检测算法分析对比,选择对于小目标检测最具优势的YOLOV3检测算法,并对其进行两步改进。改进后的检测算法能够在保证检测精度的前提下,在嵌入式设备中实现快速检测,为后续智能装配机器人的功能实现奠定基础。本文主要包含以下的研究内容:1、介绍构建混叠电子元件数据集所需的硬件系统,包括相机和光源的选择、训练与部署平台的性能指标等;分析现有目标检测算法的优缺点,针对本课题中的混叠电子元件,选取最适合于被检目标的YOLO-V3算法来进行检测算法的构建;最后介绍检测算法性能评价指标,为实现检测算法性能的对比提供依据。2、针对混叠电子元件检测精度与速度问题,提出基于Mobilenet网络的YOLO-V3改进算法（称为YOLOV3-Mobilenet）。通过将YOLO-V3骨干网络中的标准卷积置换为深度可分离卷积并调整网络参数,进而提高检测算法的速度。同时,使用图像增强算法以及Mixup方法优化图像数据和检测模型训练过程,进一步提升检测模型的精度。实验表明YOLOV3-Mobilenet检测算法与YOLO-V3算法相比,在精度基本保持一致的情况下检测速度提升一倍,实现了检测速度与精度的平衡。3、针对深度学习检测算法应用于嵌入式设备中运行效率低的难题,提出基于敏感度的YOLOV3-Mobilenet卷积核裁剪算法。通过分析YOLOV3-Mobilenet检测模型中各个卷积层的敏感度来获得检测模型最佳裁剪率,并使用该数据对检测模型中的YOLO-V3检测头中卷积层进行卷积核裁剪,最终实现在检测精度略有下降的情况下,检测模型大小缩减了87%,检测速度提高至原始模型的1.78倍,满足嵌入式设备部署要求。4、实现混叠电子元件检测系统中软件系统的搭建,包括交互界面、功能模块设计等,并完成相关测试,验证本文中基于嵌入式深度学习的混叠电子元件检测算法的可行性与有效性。实验结果表明:本文所提出的电子元件检测算法能够满足混叠电子元件检测的各项指标要求,是可行的、高效的。综上,本文对基于嵌入式深度学习的混叠电子元件检测算法进行研究,深入探讨混叠电子元件检测系统的检测速度与精度平衡问题以及嵌入式设备部署的性能损失问题,提出稳定高效的嵌入式检测算法,建立一套混叠电子元件检测系统,实现电子检测系统的智能化与轻量化,为智能装配机器人的功能实现打下坚实基础。