柔性电路基板(Flexible Integrated Circuit Substrate,FICS)是集成电路的一个重要组成部分,在各类电子产品中有着广泛的应用。电子产品的发展方向是在更小的体积下实现更多功能。因此,为了节省电子产品的空间,FICS也一直往高密度趋势的发展,目前FICS的线宽线距已经达到了微米的级别。如果带有缺陷的产品流入下一个工艺中,会带来巨大损失,所以FICS的缺陷检测是厂商在生产过程中的一个关键环节。目前,大多数厂商采用的仍然是人工目检的方法。但是,人工目检会导致大量劳动力资源的浪费,而且高密度的线路会使得人工目检变得非常困难与低效。如果利用传统的数字图像特征技术对FICS图像进行自动缺陷检测,因为它需要对图片进行像素级别的遍历,所以存在速度偏慢的问题。近些年来,深度学习技术发展非常迅速。本文对基于深度学习技术的高密度柔性电路基板缺陷检测进行探索,而FICS缺陷样本较少,并且部分缺陷比较难以检测,所以本文对缺陷检测中的小样本问题和难样本问题进行了研究,文章主要工作如下:(1)提出了一种基于改进的Faster R-CNN的缺陷检测算法。基于Faster R-CNN算法已有的思想和结构,提出了双通道特征提取的方法,并加入了平行空间转换网络的结构,最后在区域检测网络中引入了难样本挖掘的思想,实现对Faster R-CNN算法的改进,并应用于FICS缺陷检测,解决小样本与难样本问题,提高缺陷检测的正确率。(2)提出了一种基于改进的YOLOv3的缺陷检测算法。在YOLOv3算法结构的基础上,在其中加入了密集连接结构,并嵌入了特征融合的手段,增强整个网络模型对FICS缺陷的关键信息的提取能力,解决缺陷检测中的小样本问题。然后对YOLOv3的损失函数进行了改进,引入了去量纲化思想,最后把整个改进的YOLOv3算法用于FICS缺陷检测任务。本文为高密度柔性基板制造过程提供了基于深度学习的缺陷检测技术的参考。