由于中国在全球PCB产业中的占比越来越大,PCB裸板缺陷检测便具有较高的研究与应用价值。本文针对现有的PCB裸板缺陷检测技术中的种种问题,提出了一种基于深度学习的PCB裸板缺陷检测技术。首先,本文论述了PCB缺陷检测的研究背景和国内外研究现状,并对现在较为常用的基于AOI系统和机器视觉的PCB缺陷检测技术中的相关算法和检测流程进行简单介绍,并分析其局限性和不足之处。并且从神经网络与深度学习入手,介绍了以目标检测为主的相关算法模型,分析将目标检测网络应用于PCB缺陷检测的可行性,以及与传统PCB缺陷检测算法相比的优越性。之后,本文参考Faster R-CNN网络模型的结构框架,针对PCB裸板缺陷检测任务与传统目标检测任务数据上的不同,进行优化调整。本文对不同的卷积神经网络进行对比,选择ResNet-101作为特征提取网络,并通过自下而上、自上而下、横向连接的方式对多尺度特征进行融合构建特征金字塔,提高网络对不同尺寸缺陷的检测效果。在RoI pooling层中结合RoI Align优化算法,降低特征精度丢失。在网络中添加批标准化层,提高网络的训练速度,有效抑制出现梯度弥散和过拟合现象。随后,本文针对卷积神经网络在提取特征时无法将噪声特征从目标特征中区分开,在噪声干扰严重,目标与背景边界模糊的情况下,容易出现漏检和误检的情况,构建了一种包含扩张卷积与残差模块的噪声抑制网络。通过与传统HLM和BM3D去噪算法对比,证明噪声抑制网络去噪的有效性。最后,本文选取6类常见的PCB裸板缺陷作为实验所用缺陷,包括:漏孔、鼠咬、断路、短路、毛刺、余铜,制作了PCB裸板缺陷数据集对网络模型进行训练和测试。在训练过程中,anchor尺寸通过统计训练数据的数据分布,在K-means聚类的基础上进行微调,并通过1cycle策略选择网络训练时的学习率与权重衰减系数,降低任务的难度,节省网络训练时间,降低过拟合程度并且提高检测精度。实验数据表明,本文提出的基于深度学习的PCB裸板缺陷检测方法是可行且有效的,对将深度学习算法运用到PCB缺陷检测中具有一定的参考价值。