随着电子组装逐渐小型化和高密度化,电子封装测试技术变得越来越重要。为了提高生产效率,很多企业都引进了如贴片机等自动焊接设备,但自动焊接机生产的工件有一定的缺陷率,比如少锡、多锡、桥接和锡尖等。目前在电子封装测试行业中,普遍采用机器视觉的检测方式,即通过计算机的处理分析以判断缺陷和故障。其最大优点是成本更低,生产效率更高,统一的检测标准可以排除人为因素干扰,确保了检测结果的可靠性、可重复性和准确性,有效提高了企业的产品质量和自动化水平。传统的计算机视觉技术一般采用图像滤波、二值化和形态学等手段降噪,并采用灰度、轮廓、颜色等人工特征进行图像匹配。这些技术能胜任一些简单的场景,但当面临背景和环境更加复杂以及更多样的目标特征时,传统的计算机视觉技术则很难达到企业级的应用精度。近十年来,深度学习在计算机视觉领域的应用逐渐增多,其检测器主要是通过机器学习来产生显著特征,特别适用于诸如高频电感焊点之类的复杂缺陷目标。现有的计算机视觉系统在电子封装测试中通常采用垂直单视图检测,对于一些三维缺陷形状需要结合多面信息才能判断的产品,则无法很好兼顾,其主要瓶颈在于目标多维特征的提取、描述、匹配以及相关算法的性能。因此,本文基于多视图检测结构,对焊点的多维特征识别和缺陷定位相关技术进行研究。本文主要研究内容如下:（1）针对视觉系统的功能需求,设计了多视角视觉检测系统框架和核心模块,鉴于目标焊点的圆锥形状,框架采用左右俯三个视角获取目标图像表面信息,并根据该框架设计了多视图焊点数据集。（2）针对模型在提取特征过程中忽略了目标的特征完整性的问题,文章设计了交叉网络模块,提出了一种基于交叉网络的多视角联合自适应学习框架,结果表明该框架相比单视图表现出更好的准确性和可靠性。（3）文中提出的基于交叉网络的多尺度目标识别算法,实现了高频电感焊点缺陷识别的工业现场应用,试验结果表明该类产品的生产效率得到了显著提升,实现了在线生产。