贴片机作为表面贴装系统SMT（Surface Mount System）的核心设备,被普遍应用于各种电子产品的生产中,具有高精度、高效率、稳定性好的优点。机器视觉系统作为贴片机的重要组成部分,它的设计质量好坏直接影响到贴片机的工作效率和贴装精度。在目前贴片机的工作环境中,一般以贴装微小电子元件为主,缺少贴装超出相机视场的元件的方案。虽然可以采用更大视场的相机或者广角相机来获取元件图像,但是这样也会引来生产成本提升、精度下降和图像畸变的问题。因此本文提出将图像拼接技术应用到贴片机贴装超出相机视场的元件的方法,以BGA元件（Ball Grid Array）为例研究贴片机如何通过图像拼接技术识别并贴装BGA元件。在使用SURF（Speeded Up Robust Feature）算法的基础上研究如何修改图像配准方案,得到一种更适合贴片机贴装大尺寸元件的图像拼接方法。本文研究内容基于企业自研的龙门式贴片机元件贴装平台,主要的研究工作如下。（1）以机器视觉检测零件几何量技术为基础,提出了一种兼顾贴装速度和贴装精度的基于图像拼接的贴片机元件贴装方法。该方法通过获取元件四个位置的图像,再对图像进行图像拼接得到完整视场的元件图像,然后对元件图像进行识别和检测,完成元件贴装工作。（2）传统的图像拼接会对全局图像进行特征点提取,这样会产生大量的无效特征点,增加算法耗时。本文通过比较图像的Hu不变矩来快速确定相似区域,只对相似区域进行特征点提取,在保持原来算法鲁棒性的同时大大减少了特征点中无效特征点的数量和特征点提取的耗时。（3）在进行特征点提取方面,本文比较了传统SURF描述子和FREAK（Fast Retina Keypoint）描述子之间的差异。实验结果表明使用改进的SURF+FREAK算法不仅能够减少无效特征点的数目,而且找到的有效特征点的数目也增加了。同时,使用SURF+FREAK算法进行特征点提取的耗时会远低于传统SURF算法。（4）在特征点匹配方面,本文采用了KNN（K-Nearest Neighbors）算法和双向匹配法来对特征点进行匹配,并测试了KNN算法中阈值大小对特征点匹配结果的影响。在完成特征点匹配之后,根据相邻拼接图像之间的特征点存在的坐标关系剔除误匹配点。最后使用RANSAC（Random Sample Consensus）算法再次剔除误匹配点。实验结果表明,经过上述筛选能够完全剔除特征点中的误匹配点。最后根据特征点计算图像变换矩阵,对图像进行透视变换,生成完整视场的元件图像。（5）对元件图像进行图像预处理,然后提取BGA元件的轮廓信息,计算BGA元件的中心坐标和偏转角度。比较使用了图像拼接的BGA元件图像计算结果和标准值的偏差,并分析误差产生的种类和原因。