随着科学技术的快速发展,自动化制造领域朝着高精尖技术发展的需求逐步提升。中国制造业是国民经济的主体,推动制造业走向智能化发展,以机器代替人工参与到工业生产过程中是现代化生产的必然选择。在工业生产的质量检测环节中,传统人工目检存在效率低下、易受主观影响、无法长时间连续工作等现实问题,而基于光学成像以及数字图像处理技术的智能检测系统具备高精度、无接触、高效率等优点。得益于深度学习技术的高速发展,机器视觉更进一步的提升了检测精度和效率,是目前机器视觉检测技术的热门研究方向。本文针对电路控制板中的接插件可能存在的漏插问题以及绝缘皮破损造成的铜线暴露问题,设计一种基于机器视觉的检测系统代替人工手眼检测,以实现接插件快速、高效、稳定的自动化检测。论文主要研究内容如下:（1）针对接插件检测任务,对机器视觉接插件检测系统进行设计,确定相机、镜头、光源的硬件选型以及系统照明方案,并设计了一个人机交互界面用于对检测系统监视以及控制。（2）针对采集到的电路控制板元器件复杂的问题,传统图像处理方法对接插件识别较为困难,本文提出了一种基于改进YOLOv5神经网络算法,可以实现接插件高精度、快速的定位与识别。通过在YOLOv5主干网络中加入CBAM注意力机制并且在Neck颈部网络中引入BiFPN网络结构,优化网络对感兴趣区域的信息提取能力以及对不同尺度特征的融合能力。实验表明,本文改进的YOLOv5网络具有较高的检测精度,可以实现对接插件准确的识别和定位。（3）针对接插件漏铜检测问题,单一特征无法满足检测任务的要求,本文根据图像DCT变换后低频分量的分布特性提取频域特征,并在图像空间域提取铜线LBP纹理特征及HSV颜色特征,对提取到的多特征融合后采用PCA降维,并利用支持向量机SVM对漏铜缺陷进行检测,最后通过实验验证了该方法可以实现接插件漏铜缺陷的精准检测。