在当今信息时代的背景和进程下,作为信息技术载体和媒介的印刷电路板（Printed Circuit Board,PCB）,从我们日常生活中经常接触和使用的手机、电脑等各类电子产品,到军事中的飞机、卫星等领域都有着广泛的应用。由于工业生产中对PCB更高的要求加之现在的电子产品高度的集成化,PCB板的生产更加细化、走线结构更加复杂,从而导致PCB板带有缺陷的概率大大提升。PCB板必须保证线路连接、线距以及外观等指标都符合工业生产中的标准要求,任何一个环节出现问题或瑕疵都会影响PCB的最终质量,变成不能流入市场的废板。PCB板常见的缺陷有短路、断路等物理缺陷,即真缺陷;同时,还有灰尘、氧化等伪缺陷。存在真缺陷的PCB是不允许进入市场的,存在伪缺陷的印刷电路板是可以经过清洗之后投入使用的。由于对PCB板精细的生产要求,传统的缺陷检测方法例如人工目测等技术难以支撑工业流水线上对PCB板细化、高效、精确的检测标准。故而在满足效率的情况下生产符合质量的PCB板,将不符合质量标准的PCB板剔除出生产线避免其流入市场尤为重要。为此,本文从降低PCB的误检率,提高PCB图像缺陷的识别率和降低算法复杂度角度考虑,提出了PCB图像表面缺陷检测算法,实现了对PCB的高效、快速、准确的检测。基于对PCB图像缺陷检测的研究和分析,提炼出了论文的几个研究方向如下:1、在PCB图像预处理方面,首先通过Hough变换对数据库中的PCB图像进行倾斜校正,为后续对PCB图像进行滤波预处理奠定基础;其次采用形态学自适应图像增强算法对PCB图像进行增强,凸显出了PCB图像的边缘信息;最后采用改进NLM的PCB图像去噪算法对PCB图像进行去噪并且与传统的去噪算法进行了对比实验。2、在PCB图像的缺陷特征提取方面,首先采用基于分水岭的PCB图像分割算法对缺陷图像进行缺陷和非缺陷区域的分割,便于之后进行特征提取;其次采用基于连通分量提取算法对PCB图像的缺陷进行粗定位,大致提取出缺陷的位置;最后,采用基于改进的区域生长法对PCB图像进行缺陷检测及特征提取。3、在PCB图像的缺陷检测方面,针对PCB缺陷检测效率低、误检率高、漏检率高的问题,本文构造了一个PCB缺陷检测网络。首先,将Faster R-CNN与特征金字塔卷积网络相结合应用于PCB缺陷检测问题。对于数据库中的693张PCB图像采用数据增强技术进行扩充,在扩充的数据集上训练Faster R-CNN模型。其次,在缺陷特征提取阶段,采用VGG16网络对PCB图像进行缺陷的特征提取;设计适合的锚点,采用多尺度特征融合的技术对PCB图像进行缺陷检测。最后,为了去除重复框,降低误检率,在缺陷检测的后续步骤采用了SoftNMS算法提高PCB图像缺陷检测的精度。目前学者对PCB图像的缺陷检测算法在缺陷识别率和算法鲁棒性方面存在一定的不足,本文针对这些不足主要在以上3个方面对PCB图像进行研究。对PCB图像的实验结果表明:本文提出的算法对PCB图像去噪、特征提取、缺陷检测方面效果显著,可以有效识别PCB短路、断路、孔洞缺失、灰尘、氧化等缺陷,算法的鲁棒性强,能满足对PCB图像缺陷检测的要求,具有一定的实用性,PCB图像缺陷检测的效率也有明显提高。