电子元器件和电路板是电路系统的基本组成部分,广泛应用于电脑、手机、手表等电子产品中。为方便携带,电子产品的微型化一直以来都是一个发展趋势。目前一些电路板布线密度已经达到了微米的数量级;电路板元器件变得越来越小;电路场景变得越来越复杂。这些因素导致电路板及焊接缺陷检测难度越来越大。目前,一些厂商主要用AOI检测这些电路缺陷以防止有缺陷的电路板进入到下一道生产工序。但AOI检测存在漏检率、误检率都较高的问题。本文针对AOI检测存在的不足,设计基于深度学习的缺陷检测方法,实现PCB缺陷及焊接元器件缺件与偏移缺陷的检测。论文完成的主要工作如下:1、针对PCB的微小缺陷检测,设计了轻量高效的缺陷检测网络（A Lightweight and Efficient Defect Detection Network,LEDD-Net）,并提出了用于主干网络的特征融合策略——对角特征金字塔（Diagonal Feature Pyramid,DFP）。对角特征金字塔通过消除自上而下的路径和去除一些非原始的同尺度特征来减小模型尺寸,以低的计算代价去融合主干网络的大特征图以及更原始的特征。LEDD-Net的颈部网络引入SPP去融合最低尺度的特征,并对最低的两个尺度进行融合——特征拼接和特征求和。另外,设计了一种自适应的损失函数来调整对小目标检测的敏感度。基于公开的PCB缺陷数据集,对比实验表明LEDD-Net比各种主流PCB缺陷检测算法具有更好的m AP和更高的速度,消融实验表明对角特征金字塔比其他融合策略有更低的计算代价和更高的m AP。2、针对焊接缺件与偏移缺陷检测,设计了一种轻量级网络模型,并提出了类间决策机制用于解决相似类的识别混乱问题。类间决策机制对网络模型的检测结果进行再决策,其原理是衡量检测为缺陷的样本与正常类型及缺陷类型的关联程度,关联程度是通过边界方程来判断的。如果两个类的置信度在边界方程约束范围外则判定类别属于置信度大的类,否则判定类别是指标要求更高或者实际指标表现过低的类。以上整个判断过程在设计的类别判别方程中进行。本文将类间决策机制应用到企业提供的焊接缺陷（缺件与偏移）检测中,在召回所有缺陷的前提下对408075个正常样本进行测试,可使误检的数量从2578个减少到17个,缺陷的精准率上升了74.44%,误检率降低了75.89%。3、设计了一种数据平衡策略来解决样本不平衡问题。针对缺陷样本稀少、正常样本过多的情况,考虑到数据构成复杂,先对正常样本和缺陷样本分别聚类,然后对每个类的正常样本使用样本剔除算法来减少正常样本,对每个类的缺陷样本使用扩增技术来扩增缺陷样本,尽量保证每个类的样本数量相对平衡。将此方法应用到企业提供的不平衡的焊接数据集中,结合类间决策机制,在验收数据集上实现了99.9%的缺陷召回率和65.0%的缺陷精准率。其中一个课题依托某企业委托研究项目——“基于深度学习模型的AOI焊接缺陷检测技术研究”。