信息化时代,电子设备已经在我们身边的每一个角落生根落户。印刷电路板是现代电子设备小型化、微型化的关键载体,其上的元件质量直接影响着电子设备的性能与寿命乃至使用者的生命。而表面装贴技术(Surface Mount Technology,SMT)的使用,意味着PCB板上的电子元件越来越小型化、密集化甚至立体化。这种情况下,传统的的焊点检测技术根本无法跟上SMT的焊点检测需求,而具有“透视”能力的X-Rays检测设备就是一个很好的选择。但是传统的X-Rays检测设备只能提供SMT元件的X光图像,并不能由设备自动判定焊点质量好坏,还需要人工根据图像来确定焊点质量,这对于操作员来说任务繁重;另一方面,对于生产流水线来说,则是效率低下,根本无法满足流水线生产的检测需求。因此本文研究了一种基于图像识别的SMT焊点检测方法,并用QT设计了一款操作简单便捷的软件。全文研究内容如下:第一,本文研究了适用于X-Rays检测设备拍摄的SMT元件焊点的图像配准算法,能有效地消除人工操作时无可避免地引起的平移与旋转位移误差。X-Rays检测设备拍摄的SMT焊点图像因为是人工放置SMT元件导致每次拍摄都会存在或多或少地平移和旋转位移,在提取焊点缺陷图像之前,需要根据标准模版焊点图像,对待检测的SMT焊点图像进行图像配准操作。第二,本文将深度学习与焊点识别相结合。改进了基础的卷积神经网络的网络框架构造,并且在焊点缺陷识别上改进的卷积神经网络能够达到更好得效果。第三,本文设计了SMT焊点检测软件。使用图像配准技术消除待检测图像与模版图像误差后提取出焊点缺陷图像,再使用改进的卷积神经网络进行焊点缺陷识别。通过Qt的GUI开发平台将本文研究的焊点检测方法能够更方便地操作,降低了用户的使用难度也就是操作人员掌握的难度。经实验分析,本检测方法能在识别SMT焊点缺想上取得较好的效果。桥连样本的识别率能达到100%,漏焊的识别率稍低,达到了94.7%,锡珠的识别率较差92%。另外,BGA元件由于图像较为纯粹,识别效果极好;相对地,CQFP元件由于焊脚太密,预处理后,留下较大误差,图像识别难度最大,识别率相对较差。