耿朝晖，龚涛

(东华大学信息科学与技术学院，上海 201620)

0 引言

步入21世纪，电子工业和电子产品需求发展很快，而电子工业产品最基础部件之一PCB板的应用也越来越广泛。但在实际的生产过程中，电路板表面可能会产生诸多缺陷，进而对电路板性能产生影响，使用问题严重电路板产品，会造成经济损失，甚至可能对使用者造成伤害。因此，针对PCB板表面缺陷检测显得十分重要。在传统的方法中，主要是通过人工目测[1]，不仅需要消耗大量人力，且受限于工人经验生理等因素，易造成错误检测等问题，甚至引发事故。

随着工业发展，逐渐开始使用基于机器视觉的缺陷检测方法[2]，传统方法所引起的人员疲劳和效率低下等问题有了一定改善。目前常见的机器视觉方法有特征分类、阈值分割等方法。而以机器视觉技术为基础的自动光学检测系统(AOI)更是有着广泛的应用[3]。虽然机器视觉的方法已经在多方面都有着成功的应用，但在实际应用中，检测环境复杂且多变，缺陷检测对细节，精度方面也有着越来越高的要求。基于机器视觉的缺陷检测方法的局限性逐渐凸现出来。

近年来，深度学习得到了快速的发展，在多方面都有着优秀的表现[4]。Yann LeCun[5]所提出的卷积神经网络，相比传统算法也体现出的较强鲁棒性。随着AlexNet、VGGNet、GoogleNet等算法网络提出，深度学习方法也得到了不断地发展。目前，深度学习在目标检测的主流方法中，主要分为两类，其中单阶段检测算法是直接在输入图像上回归出物体的类别概率和位置坐标，如YOLO、SSD等算法[6]，其检测速度相对较快，但也因此损失了部分检测精度。……