随着科技的不断进步,相关电子元器件的制造产业取得了高速发展,自动检测电子元器件产品质量也成为了电子元器件生产的现实需要。在自动检测领域中,“检测精度”与“检测速度”是两个十分重要的检测的指标。本文根据工业生产环境中对检测精度和速度的不同需求,提出以下两种需求目标:（一）允许少量精度损失的情况下以高速度为目标;（二）以较高精度的电子元器件表面缺陷检测为目标。针对这两种需求目标,本文分别设计了两种基于深度学习的电子元器件表面缺陷检测方法实现缺陷检测的自动化。为了实现“少量精度损失的情况下检测高速度与训练高速度”,本文提出了基于改进YOLOv4的一阶段电子元器件表面缺陷检测方法,使得在仅损失少量精度的情况下大幅提高了训练速度与检测速度;为了实现“较高精度的电子元器件表面缺陷目标检测”,本文提出了基于改进Faster-Rcnn的两阶段电子元器件表面缺陷检测方法,该方法在电子元器件表面缺陷检测的精度方面十分出色。在基于改进YOLOv4的电子元器件表面缺陷检测方法中,依据对数据集样本的观察分析,确定其具有“特征明显,背景简单”的特点后,通过对YOLOv4神经网络的主干网络部分进行裁剪,减少了主干部分的网络深度,提高了网络模型检测时的速度与训练时的速度。为进一步简化网络,根据对数据集样本标注框聚类分析后所获的目标的尺寸特征,对YOLOv4的颈部网络与头部网络的分支进行裁剪,如依据YOLOv4的设计原理与数据集中目标的尺寸大小,将原有的3个头部分支精简为2个分支等,进而大幅降低了网络模型的复杂度。同时,根据聚类结果选择更为适合的先验框尺寸,降低了训练时由先验框和预测框所造成的IOU损失,加快了网络模型训练时损失值的收敛。在基于改进Faster-Rcnn的电子元器件表面缺陷检测方法中,依据较深的网络具有更好的函数表达性以及可变形卷积能提有效提升模型泛化能力的特点,通过改用更深的神经网络与可变形卷积,提高了主干网络部分对输入图像进行特征提取的能力。通过在神经网络模型整体结构中引入FPN结构,提升了网络模型对多尺度特征的融合能力,进而提升检测的精度。通过使用ROI Align区域特征聚集方式替代原模型中的ROI Pooling方式,避免了ROI Pooling方式中两次量化操作造成的区域误差的问题。通过使用CIo U损失替换原网络模型中的Smooth L1损失,使网络模型的预测框更贴近真实框。在实验过程中,为提高模型的泛化能力,增强实际的检测效果,本文根据数据集特点提出了一种新的数据增强方法,先利用掩码图提取到样本中的目标,然后对目标进行变换并放入新的背景图中,从而生成新的训练样本,该方法有效提升了模型的鲁棒性。实验结果表明,使用改进后的YOLOv4网络模型,在精度只有少量损失的情况下,提升了网络模型的检测速度与训练速度且速度高于Faster-Rcnn方法。基于改进YOLOv4的电子元器件表面缺陷检测方法满足了工业生产环境中允许少量精度损失的情况下检测高速度与训练高速度这一要求。改进后的Faster-Rcnn网络模型在测试集上的精确度相比于原Faster-Rcnn网络模型得到了明显的提升且检测精度高于YOLOv4方法。基于改进Faster-Rcnn的电子元器件表面缺陷检测算法满足了工业生产环境中高精度的缺陷目标检测这一要求。电子元器件检测过程中,可根据实际情况对检测精度、检测速度、训练速度产生的不同要求选择合适的模型进行自动检测。