印刷电路板（PCB）是电子元器件的支柱,常被称为“电子产品之母”,其品质对整个电子产品的可靠性、稳定性和使用寿命等均有重要影响。为保证PCB生产质量,在来料控制、内层线路、外层线路、最终成品等各环节均设置了检测工序对其功能和表面缺陷等进行检测。本研究主要集中于内外层线路和最终成品表面缺陷检测。人工检测和自动光学检测（Automated OPtical Ins Pection,AOI）是常见的PCB表面缺陷检测方法。人工肉眼检测存在效率低、主观误差大、工作枯燥、易造成二次伤害、人力成本高等问题。AOI能解决上述问题,但是相应检查设备昂贵,作为其核心技术之一的图像识别算法主要掌握在国外企业手中。对此,本研究将结合PCB表面缺陷特点提出基于深度学习的缺陷检测机制,为AOI国产化的相关图像处理算法开发提供重要参考。本文首先介绍了PCB发展现状和常规检测方法,总结国内外的研究现状和论述课题的研究目的和意义。然后将阐述数据集的相关准备工作和检测模型的整体架构,并对模型进行优化改进,具体研究内容如下:（1）图像数据集准备:课题组深入企业调研,明确了划伤、断路、脏污、杂物、线路缺损、补线不良、补油超标、孔损等8种典型表面缺陷;从企业一个生产周期内所产生的报废PCB板中筛选出具有代表性和整体性的PCB板并进行拍摄,对原始图像进行、图像扩增、中值滤波、边缘提取等预处理;所完成的图像集共有31348张图像,其中每张图像中只包含上述8类缺陷的一类,相应分辨率为512*512。（2）基于PCB板的特性选择合适的检测模型:在对比多种目标检测算法的自身特点和结构后,本研究以Faster R-CNN网络为基础架构和残差网络Res Net50为特征提取网络构建PCB表面缺陷检测模型。模型的所有代码均用Python语言进行编写,Tensor Flow开源库负责神经网络的搭建。（3）对模型进行改进:（1）构建特征金字塔模型（FPN）来融合不同层次的语义信息以增强模型的特征提取的能力。（2）采用Soft-NMS算法替代原有NMS算法,更有效地剔除冗余或交叠的候选框。（3）采用ROI Align算法优化ROI层,解决原ROI Pooling算法在矩阵量化操作中所导致的候选框位置偏移现象。（4）模型训练与测试:改进前和改进后两个模型分别进行10000iterations、20000iterations、50000 iterations、70000 iterations的迭代训练,结果表明经改进的模型的各轮均值平均精度（m AP）均高于未改进的模型,模型优化取得一定成效,其m AP值分别为0.7281、0.8516、0.9271、0.9477。测试集结果显示:本研究所构建的印刷电路板表面缺陷模型的检测精度和检测时间均符合预期设想,模型能检精确地检测出PCB板的划伤、断路、脏污、杂物、线路缺损、补线不良、补油超标、孔损八类缺陷。