随着3C领域中通信行业迅速兴起,智能手机在人们的生活中越来越重要,手机厂商为了提高自己的产品竞争力,手机主板上的手机部件也越来越紧密,高精度的手机制造业也面临着更多的挑战。针对检测在手机主板上高精度的手机部件是否焊接在正确的区域内,以及相应区域位置上,焊接的部件种类是否正确,传统的检测方法已经不能满足要求。近年来,大规模GPU并行运算的发展使利用深度学习解决计算机视觉中的问题成为可能。利用计算机视觉技术检测手机部件所在位置是否符合工业要求,即可以避免传统接触式检测的碰撞和人工目检的主观性,又可以用较低的成本完成检测,并且利用计算机视觉技术检测,具有较高的鲁棒性和准确性,无需针对每次检测都重新编程。因此,利用计算机视觉实现手机部件的目标区域检测在手机生产过程中越来越重要。通过研究神经网络和近年提出的目标检测算法,本文提出了利用计算机视觉检测手机部件目标区域的算法。该算法根据SSD模型低层特征图语义信息不足,设计了新的融合结构,降低了参数量,丰富了特征图的边缘信息和语义信息。针对特征图多次反卷积会增加噪声信息,将SSD模型特征图划分三段做分段反卷积与浅层特征层融合。为加强模型对小目标的检测,在分段反卷积的基础上增加更低层次的特征融合层重复检测小目标。改进后的算法在公开数据集上进行验证,相对于SSD模型和DSSD模型,大幅度提高了小目标类别的AP值,整体mAP值也有较大幅度的提高。相对其他目标检测算法,在保证实时性的同时也具有较高的检测精度。本文还研究了视觉系统的构建以及各坐标系之间的转换,利用张正友标定法对相机标定,通过实验确定了相机的内外参数,改善了相机造成的图像畸变。研究了图像预处理办法,通过实验对比了不同去噪算法的效果,最终选择了对手机部件图像去噪效果最好的双边滤波去噪算法。最后利用改进的算法,结合相关理论研究,设计了面向手机部件目标区域检测的算法。算法针对手机芯片和SIM卡槽等手机部件的区域进行识别,判定焊接区域是否正确,以及在正确的区域内,焊接部件种类和尺寸是否正确。测试结果表明,该算法对手机部件具有很高的识别率,对目标区域的检测误差也在工业可接受范围之内,具有很高的实用价值。