王 杨, 王 杰, 刘剑歌, 方 夏, 李 勇, 杨苗苗

(四川大学机械工程学院,成都 610065)

0 引言

随着生活质量的提高，人们对电子产品的品质控制也提出了更高的要求。电子产品的所有精密零件中，用作机械能和电能转换的核心零件—电枢对用户体验有着重要的影响。由于电枢较小，并且工序复杂，因此会产生多种不同程度的缺陷，主要包括纤毛、异物、锡包大、断线、变阻破损、变阻断裂、铜线侵蚀、铜线断、锡珠、油脂堆积。目前，电枢检测完全依靠人工在显微镜下完成，不仅效率低，而且人的判别标准具有一定的主观性，易造成判别结果的不稳定，一定程度上影响电子产品的装配质量。

随着工业技术的发展以及电脑性能的不断提升，机器视觉技术已经成功应用于工业生产的质量检测，包括汽车紧密零件、销钉、铝材、轴承。刘瑞媛等针对汽车精密零件的产品质量控制，提出了利用改进大津算法(OTSU)来提取外观缺陷特征[1]。王凯等针对电力金具上销钉松动、缺失等常见缺陷，提出了利用RetinaNet神经网络模型来检测销钉的多种缺陷[2]。沈晓海等针对铝材表面缺陷检测问题，提出了利用深度学习来进行缺陷的多任务检测[3]。蒙志强等针对轴承故障诊断过程，提出了利用改进的神经网络进行缺陷检测的方法[4]。基于机器视觉的缺陷检测系统已经有很多人提出，但是对电枢缺陷检测的研究却很少。

近年来，虽然深度卷积神经网络(DCNNs)和传统机器视觉算法都已经被证明是一……