Kontrola kvalitete mikroprocesorskih pločica predstavlja krajnji korak u proizvodnom ciklusu mikroprocesora. Ona značajno utječe na vrijeme proizvodnje, kvalitetu finalnog proizvoda i njegovu konačnu cijenu. U vrijeme konstantnog tehnološkog napretka, potiče se razvoj inovativnih metoda kontrole kvalitete koje osim što osiguravaju točnost, ubrzavaju proizvodni proces, čime on postaje ekonomski isplativiji. Jedan od smjerova razvoja kontrole kvalitete je uključivanje naprednih tehnologija i alata kao što su računalni vid i duboko učenje u proces. Ovaj rad predstavlja sustav za automatiziranu detekciju, lokalizaciju, verifikaciju i inspekciju mikroprocesorskih pločica, korištenjem metoda računalnog vida i učenja. Sustav se sastoji od nekoliko segmenata: detekcija i verifikacija mikroprocesorskih pločica i njihovih komponenti korištenjem YOLOv8 konvolucijske neuronske mreže, segmentiranje i izdvajanje slika detektiranih komponenti mikroprocesora za provođenje inspekcije lemljenih spojeva i pinova korištenjem metoda adaptivnog praga (engl. adaptive threshold) i optičko prepoznavanje teksta. Sustav kombinira inovativne tehnologije kako bi omogućio točnost i brzinu kontrole kvalitete mikroprocesorskih pločica. Cilj rada je konstruirati inovativni sustav industrijske primjene računalnog vida za adaptivnu kontrolu kvalitete mikroprocesorskih pločica. Razvoj kompletnog sustava uključuje izradu seta podataka mikroprocesorskih pločica za treniranje YOLOv8 konvolucijske neuronske mreže, trening neuronske mreže korištenjem posebnih alata te razvoj implementacije sustava za detekciju, verifikaciju, inspekciju i optičko prepoznavanje teksta. Trenirana YOLOv8 konvolucijska neuronska mreža prema mean Average Precision (mAP) metrici postiže rezultat od 99.53% mAP, inspekcijski sustav s adaptivnim pragom postiže preciznost (engl. precision) od 95,9%, a pokrivenost (engl. recall) iznosi 97,87%. Optičko prepoznavanje teksta postiže 95.64% točno prepoznavanje teksta.