近年来,计算机视觉的不断发展,深度学习逐渐被运用到代替传统算法的一些领域,如目标检测、图像分类等领域。其中,工业智能制造是深度学习目标检测重要的应用领域之一,它能够提高工业生产的效率。极性电子元器件的类别、方向识别、定位在工业生产、焊接和检测等领域发挥着至关重要的作用。把深度学习的目标检测运用到极性电子元器件的识别和定位中具有重大的研究意义和的工程应用价值。在本文中,提出基于深度学习的极性电子元器件目标检测与方向识别方法,通过分析电子元器件目前研究算法的不足,把深度学习应用到元器件识别中,达到对极性元器件同时进行分类、极性方向判别和定位。本文主要研究内容如下:(1)把对元器件分类的研究扩展到同时能够识别极性元器件的类别、极性元器件的位置和极性元器件极性的方向。把极性电子元器件的方向识别问题转化为一个分类问题。(2)用深度学习目标检测算法对极性电子元器件目标检测与方向识别进行研究,Faster RCNN与YOLOv3算法实现了对极性电子元器件的准确分类、方向识别和精准定位。实验取得良好的效果,两种算法的mAP分别达到0.9705、0.9922。(3)通过先对训练集目标框长宽分布的研究,选取Kmeans算法中聚类点的个数,初始聚类点的位置,再用Kmeans算法对Faster RCNN和YOLOv3的anchor box进行了改进设计,使它们的mAP分别提高了1.16%、0.1%。(4)在YOLOv3算法实现了对极性电子元器件的准确分类、方向识别和精准定位的基础上,通过对数据集目标框长宽分布的分析,提出针对大目标检测的网络结构:YOLOv3-Big Object,在提高准确率的同时,将检测单张图片的时间大幅缩减为原来检测时间的一半左右。(5)在2、3、4的基础上,对上述算法进行了稳定性的研究,通过增加不同类别但形状相似的极性电子元器件数据,各算法性能和未增加时相差无几;把和训练集同型号的元件器件焊接在电路板上进行测试,YOLOv3-Big Object仍取得很好的效果。综上所述,基于深度学习的极性电子元器件目标检测与方向识别方法具有重大的研究意义和的工程应用价值。