工业视觉是智能制造的重要支撑,尤其是在自动化生产线中,工业视觉具备客观性、精确性、灵活性等优势。在自动化生产线中,与运动控制环节相比,输入的图像流会对视觉算法的时间造成波动,从而无法精准控制生产节拍。例如在印制电路板生产线上,由于裸板缺陷检测的时间难以掌控,只能给每一块裸板预留相同的上限时间,降低了生产线的时间效率。针对这一问题,本文围绕自动光学检测平台展开研究,以自动光学检测平台大量的视觉代码块为研究对象,研究和预测视觉代码块的运行时间。本文的主要工作如下:（1）提出了一种基于图像和视觉代码块的双特征提取方案。本文首先利用程序插桩技术提取视觉代码块的运行时特征。由于视觉代码块处理对象为图像数据,而图像数据的复杂性给代码块的运行时间带来极大的不确定性,因此本文针对视觉代码块的特殊性,利用Inception V3进行迁移训练,从而获取印制电路板图像中的低层特征和高层特征。（2）提出了一种多级多尺度卷积神经网络结构,实现对视觉代码块的运行时间预测。以三个卷积分支构成多尺度块,其中包含尺度为1*1、1*2和1*3的卷积内核,建立多级多尺度卷积神经网络并对视觉代码块的运行时间进行预测。将这一网络结构与现有的回归模型分别预测视觉代码块的运行时间,实验表明,多级多尺度卷积神经网络具有更高的预测准确性,相较于对比试验中预测效果最好的回归模型提高了3.2%的准确率,同时相较于单独考虑程序运行时特征,准确率提高了12.5%。（3）将多级多尺度时间预测模块应用于自动光学检测平台。将该预测模块部署到项目组自主研发的印制电路板自动光学检测平台上,完成对平台现有的视觉代码块运行时间的预测。实验表明预测模块具有较高的预测准确性和稳定性,说明了模块在平台上的可行性。解决了印制电路板生产线上缺陷检测环节时间无法掌控的问题,提高了时间利用率。借助这一预测模块,能对每一生产节拍给出精确预测,降低检测时间的报警率,提高企业对印制电路板的检测效率。本文基于印制电路板（Printed Circuit Boards,PCB）自动光学检测平台进行研究开发,其中自动光学检测平台存在大量的视觉代码块。本文提出一种多级多尺度卷积神经网络结构预测视觉代码块的运行时间,从而能够动态调整裸板的放置频率,优化生产节拍安排,提高PCB缺陷检测效率。