吴慧君，施玉娟，杨文元

(1.漳州职业技术学院, 福建 漳州 363000；2. 闽南师范大学 福建省粒计算及其应用重点实验室,福建 漳州 363000)

随着电子信息高速发展，几乎每种有集成电路的电子设备都要使用印制电路板(Printed Circuit Boards, PCB)[1].电路板集成规模越来越大，生产难度直线上升，出现瑕疵的几率也大大增加[2].PCB的质量直接影响了电子设备的性能[3].所以，瑕疵检测环节成为PCB制造业的关键技术并得到广泛应用[4].

计算机视觉和人工智能的发展，对工业图像分析设备的更新起到了促进作用，生产检测也逐渐趋于自动化[4-5].1996年，Moganti等人[6]联合日本东芝公司提出了PCB自动光学检测算法.2002年，Heriansyah等人[7]提出了数学形态学和窗口技术的图像分割算法.2014年，Malge等人[8]进一步优化PCB瑕疵的检测、分类和定位.2019年，Huang等人[9]发布了用于PCB瑕疵检测的数据集.Ding等人[10]增强数据集并实现相关检测网络TDD-Net.采用深度学习神经网络读取并分析PCB图像，可大幅提升自动化视觉检测的图像判读能力和准确度[11-12].特征金字塔网络(Feature Pyramid Networks, FPN)解决了物体检测中的多尺度问题[13].R-CNN系列检测算法[14]先提取目标，再进行分类和回归，检测精度较高.YOLO (You Only Look Once)算法将目标的定位与识别合二为一，直接使用一个卷积神经网络输出边界框的位置和所属类别[15-16].YOLO V2提升了定位的准确度，改善了召回率[17].并用分类与检测的联合训练方法检测超过9 000个类别的模型[18].YOLO V3采用多尺度策略对不同尺度的特征图进行检测[19]，在小目标检测方面表现优异[20-21].

然而，在PCB瑕疵检测的过程中，通过分……