随着电子产品朝着集成化、微型化的方向发展,印刷电路板会使用大量的集成芯片(Integrated Chips,IC),以减少电路规模。然而,由于表面贴装技术的生产质量不稳定,导致产品将不可避免地出现一定数量的缺陷IC焊点,影响电子设备的稳定性。虽然自动光学检查已经广泛地应用于焊点的检查,但是IC焊点的尺寸小、精密度高,并且合格与不合格IC焊点之间的外观差异并不明显,导致IC焊点的检测精度不高。目前基于视觉的焊点检测方法主要有特征法、统计建模法和深度学习法,这些方法均存在着各种弊端。其中,特征法需要人工提取合适的特征,然而由于IC焊点的缺陷特征占比小,人工提取的方式很难提取出有效的特征;统计建模法是通过对比检测样本和模板之间的差异判别焊点质量,然而样式固定且数量有限的检测模板很难满足所有样本的检测;深度学习法是通过深度学习网络判别焊点的质量,然而深度学习网络需要正负样本均衡的数据集进行训练,导致其难以工业场景中应用。为了解决当前基于机器视觉的IC焊点缺陷检测方法所存在的弊端,本论文提出了两种融合深度学习和统计建模的IC焊点检测方式。这些方法不仅不需要手动提取特征,而且无需正负样本均衡的训练数据,能够解决IC焊点数据所存在缺陷差异不明显以及正负样本不均衡等难点,具有较高的工业应用价值。本文的主要工作包括:(1)为了解决外观固定且数量有限的统计模板无法自适应地检测不同焊点的问题,本文根据统计建模方法的思想,设计了一个无需负样本训练的基于生成对抗网络(generator adversarial network,GAN)的模板生成网络,它根据输入的不同检测样本,自适应地生成适合当前检测的模板,模板被称为生成对抗模板;同时为了去除干扰像素对检测分数的影响,构建了像素概率图像对不同位置定义不同的概率值;最后结合模板图像和检测图像的差分图像以及像素概率图像,获得缺陷显著图像,并通过缺陷分数判断缺陷质量。实验结果表明,该方法能够解决IC焊点检测所存在的问题,误检率和漏检率均获得了优异的成绩。(2)QFP封装的IC存在4个方向的引脚,在不进行方向校正的情况下,可以分为两种正反方向不一致数据的数据。针对前面方法无法检查正反方向不一致数据的问题,本文提出了一种融合整体和局部判别的IC焊点缺陷检测方法。本文在模板生成网络的基础上,增加了一个局部判别网络,不仅将局部判别信息反馈至网络,使生成网络能够关注局部检测区域的生成质量,提高生成对抗模板的生成效果;而且网络能够从正反方向不一致的模板中自动判别出检测关键的焊接点区域,排除其他区域的潜在缺陷像素对检测结果的影响。最后提出了一种基于局部模板的实时检测方法。实验结果表明,该方法能够在正反方向不一致的IC焊点数据中获得优异的检测成绩。