电感被广泛应用于多种电子器件中,有着滤波,延迟,振荡等多种作用。电感裂纹的存在会直接影响电子产品的性能和使用寿命,因此对电感裂纹的检测至关重要。目前在工业生产中,对于电感裂纹的检测主要通过人工进行,检测人员使用摄像头采集电感表面图像并投放到电脑屏幕上,通过屏幕观察裂纹的存在。这种检测不仅费事费力,效率低下,长时间观察电脑屏幕对眼睛也会造成损伤,因此需要研究一种电感裂纹的自动检测识别方法。本文基于机器视觉对电感裂纹的检测识别进行了研究,使用激光扫描热成像技术对电感裂纹进行检测。针对传统图像合成算法合成图像不清晰的问题,对传统算法进行改进,提出了一种基于二阶微分的图像合成算法。根据图像特点提出了一种轮廓消除算法对图像进行预处理,有效去除了干扰。对电感图像进行特征提取和优化,使用改进遗传算法优化后的支持向量机实现电感裂纹的识别。基于Lenet-5网络构建深度学习模型完成电感裂纹的识别。论文主要完成工作如下:（1）本文使用激光扫描热成像技术对电感裂纹进行检测,合成图像的质量将直接影响后续的裂纹识别,为此基于二阶微分算法提出了一种图像合成算法,相较于传统算法,新的图像合成算法噪声更少,裂纹更加清晰。（2）在扫描过程中,由于环境光和传送带污点的影响,图像非电感区域存在大量噪声,同时电感边缘存在较亮的外围轮廓,本文基于轮廓提取算法提出了一种轮廓消除算法,在不受外界和设备影响的情况下,基本消除外围噪声和外围轮廓干扰的效果。（3）本文提取图像像素特征和梯度特征,采用支持向量机对裂纹进行识别。为了获取裂纹特征,提出了一种裂纹提取算法,实现了裂纹100%准确提取。针对特征维度过高的问题,采用主成分分析法对特征降维,降维后特征准确率提升了0.51%,识别时间减少了37.97s。针对SVM参数选择问题,基于改进遗传算法对参数进行寻优,相较于传统算法,改进算法寻优参数准确率提升了0.62%。（4）针对人工选取特征的不足,本文基于Lenet-5深度学习网络对裂纹进行识别,并对网络结构,激活函数进行改进。改进后的网络相较于传统网络、SVM、改进遗传算法SVM,准确率分别提升了5.76%、1.32%、0.81%。