在工业电子产品生产领域中,通常会使用点胶机对产品零部件进行粘合处理防止部件脱落。点胶机在完成快速点胶的同时,也难免会有点胶缺陷的产生。以往的做法都是进行人工点胶质量的检查,不仅效率低而且容易产生误判和漏判,并且依赖大量的人力需求。本文将针对该场景下点胶检测进行基于深度学习的点胶缺陷检测系统的设计,具体开展工作如下:（1）本文首先通过结合图像预处理处理技术,对基于3D相机拍图的数据做图像二维化处理将其转化为灰度图像。由于3D相机是依赖激光反射构图,所以难免造成激光的漫反射而导致指定位置像素无法接收到准确的值,这表现在灰度图上就是噪点和亮斑。针对这两种现象分别对灰度图做高斯滤波和形态学开运算处理以去除噪点和亮斑。（2）由于本文的关注点在于胶线部分的缺陷,而拍图则为整幅画面图,胶线占比较少,所以为了提高检测效率和精度需要对胶线部分使用模板匹配进行准确的抠图。考虑到模板图片和待匹配图片存在位移、角度和尺度的变换关系,本文使用基于频域的模板匹配,利用图像频域的变换关系对图像做精准的匹配。最后根据缺陷类别的数据定义对绞线图进行类别判定。由于基于图像处理数据的缺陷类别判定精确率和时间复杂度都不能满足工业场景的需求,所以本文提出使用深度学习的方法对胶线图进行分类判别,设计了基于LeNet-5的数据增强和基于VGG-16的迁移学习以及基于LeNet-5做出模型结构的改进这三种方案。（3）最后对点胶缺陷检测软件系统做了详细的需求分析以及指标分析,然后对软件模块进行总体的设计和各个模块详细的设计,包括图像采集预处理模块,模板库建立模块和胶线缺陷检测模块。最终通过编程实现了整个软件系统,并验证测试了系统基本达到设计需求。通过实验验证,在改进的LeNet-5的基础上使用数据增强的方案指标最优,在时间复杂度和准确率上均优于图像处理的数据计算方式,最终本文将该方案确定为最终的点胶缺陷分类深度学习模型。实验结果表明,本文所提出的基于深度学习的点胶缺陷检测系统能够精度更高,效率更快的完成点胶缺陷检测任务。