随着电子工业技术的快速发展,电子产品的需求量逐年增加。印刷电路板（Printed Circuit Board,PCB）作为集成电子元器件的信息载体,在电子领域中有着广泛的应用。在PCB的工业生产过程中,缺陷的自动检测是一道必不可少的工序。近年来,尽管在PCB缺陷检测方面取得了很大的进展,但传统的缺陷检测方法仍然存在着各种各样的问题。例如,人工检测存在漏检和效率低等问题;模板匹配的方法存在过度依赖“完美”模板、难以实现精确的图像配准、实时性差等问题;光学检测方法易受到光、噪声、反射率等因素的影响。基于以上传统方法存在的问题,本课题以PCB外观缺陷检测为主,基于深度学习的方法组建神经网络框架,提出了两种PCB缺陷检测算法:1)基于Yolov5的缺陷检测算法,检测精度高,主要用于高计算力的PC端,作为生产过程中缺陷的在线检测;2)基于Mobile Net-Yolo-Fast的轻量级缺陷检测算法,检测速度快、实时性强,主要用于移动端,作为生产过程中缺陷的复核检测。基于Yolov5的PCB缺陷检测算法:（1）输入端:1)采用Mosaic数据增强的方式,将四张图片进行拼接组合,丰富缺陷的背景信息;2)采用自适应锚框计算,以加快收敛速度;3)采用自适应图片缩放的方式,将输入的图像缩放到统一的标准尺寸,减少冗余信息,加快推理的速度。（2）特征提取网络:1)采用集中（Focus）模块,将输入的图像进行切片操作,得到四张特征图,提高感受野,避免下采样时的信息丢失;2)在主干网络中引入跨阶段部分连接（Cross Stage Partial,CSP）的结构进行特征提取,对目标的位置和大小进行解离,只检测目标的中心点,加强对小目标的检测能力。（3）颈部:采用特征金字塔结构（Feature Pyramid Network,FPN）和（Pyramid Attention with Simple Network,PAN）,将多尺度的特征进行融合,加强信息的传播,提高保留空间信息的能力,有助于对像素的定位以形成掩膜。（4）损失函数:采用广义交并比（Generalized Intersection over Union,GIo U）损失函数,解决了传统的交并比（Intersection over Union,Io U）损失函数存在的一些问题。基于MobileNet-Yolo-Fast的PCB缺陷检测算法:（1）特征提取网络:以MobileNetV2作为主干网络进行特征提取,采用深度可分离卷积来代替普通卷积,大幅度减小了网络的计算量和参数量;反残差结构先将通道进行扩张然后收缩,增强梯度传播,减少推理期间内存占用的同时,加强特征的提取能力。（2）特征金字塔池化结构:在主干网络MobileNetV2后引入空间金字塔池化结构替换原始的池化结构,增大了感受野,利用不同尺度的特征图提取更多的特征信息,增强了图像的尺度不变性,提高了网络的检测精度。（3）特征融合结构:基于FPN构建加强特征提取网络进行多尺度特征融合,将深层特征信息和浅层特征信息充分融合,在速度和准确率之间进行权衡,获得更加具有鲁棒性的特征信息。（4）损失函数:采用完整交并比（Distance-IoU,CIoU）优化了损失函数,在IoU的基础上,将预测框与真实框之间的中心距离、包含预测框和真实框的最小封闭矩形的对角线距离、预测框与真实框的长宽比都考虑进来,解决了Io U在预测框与真实框无交集情况下的问题,使得预测框更加符合真实框。本课题所提出的算法在自建数据集上进行验证评估。采用划分不同比例数据集的训练方式进行训练,采用交叉验证的方式验证网络模型的泛化能力。实验结果表明,本课题提出的两种算法:基于Yolov5的缺陷检测算法精度高,均值平均精度（Mean Average Precision,m AP）达到了99.18%,在PC端表现良好,满足缺陷在线检测的要求;基于Mobile Net-Yolo-Fast的缺陷检测算法模型复杂度小、速度快、实时性强,在PC端实验平台进行测试m AP可达到98.91%,帧率（FPS）可达到111fps/s,与现有的常用的检测算法对比具有明显的优势。同时,将此算法移植到K210开发板中,能够达到实时性检测的要求,帧率也可以达到12fps/s,满足缺陷的复核检测要求。