智能制造作为制造业的主攻方向,其发展已成为提升国家综合实力的重要举措。随着深度学习在各行各业的广泛应用,其在智能制造领域也具有广阔的应用前景,但由于智能制造的不同场景实际需求较高,使得深度学习在智能制造领域应用较少。本文针对电容器生产过程中实现自动化、智能化的应用需求,通过采用机器视觉与深度学习相结合的方式对电容器外观缺陷进行检测,提高了电容外观缺陷检测的检测精度以及检测效率,促进了电子元器件生产实现智能制造的发展。在电容器外观检测中,针对电容器顶层字符缺陷检测设计了一种基于图像处理的字符缺陷算法,通过实验验证了该字符缺陷算法的有效性;针对电容器侧边外观缺陷,通过对比经典目标检测模型算法,选出比较适合该场景的YOLOv3目标检测模型,并通过对YOLOv3目标检测模型存在的问题进行分析,提出相应改进策略,使得优化后的目标检测模型在检测精度以及检测速度方面都有一定的提升。同时,基于深度学习的目标检测算法存在网络参数较多、计算量大以及对硬件要求高等问题,采用传统模型部署方式,会造成检测实时性较差。因此采用基于边缘计算的模型部署方式,但由于边缘部署设备无法满足算力需求,需要对目标检测模型进行轻量化处理。通过采用深度可分离式卷积对YOLOv3目标检测模型进行轻量化设计,然后对轻量化目标检测模型存在检测精度较低问题进行优化,最后完成了优化后的轻量化模型部署以及验证。优化后的轻量化模型检测精度达到91.23%,单张图片的检测速度为68ms。本文采用深度学习与边缘计算相结合的方式对生产过程中的电容器进行缺陷检测,使得检测效率以及检测精度有一定的提升,具有一定的理论研究意义和工程应用价值,为元器件生产从传统的生产制造向智能制造发展提供了有益的参考。