1、印刷電路板(Printed Circuit Board,PCB)實現了電子元器件間的電氣連接，是電子產品中不可缺少的重要部件。在生產與使用過程中，PCB經常會出現焊盤破損、斷路等問題，造成設備無法正常工作，因此快速檢測與定位故障點對維護電子設備的正常工作具有重要意義。錐束CT(Computed Tomography)成像技術能夠獲取PCB內部結構的高分辨率三維圖像，為非接觸條件下無損檢測PCB缺陷提供了一種新的技術手段。傳統(tǒng)圖像檢測算法

2、多使用象素級的底層特征，這類特征無語義層次，魯棒性差，受噪聲影響大。深度學習作為近階段出現的一種特征提取技術，具有精簡的模型結構與較強的特征表示能力，能夠提取檢測目標的高層語義信息，為解決基于錐束CT三維圖像的PCB導線、過孔等電路要素檢測問題提供了有力的理論工具。
　　本文以PCB無損檢測的實際應用需求為背景，以實現PCB過孔與導線的自動化檢測為目標，研究基于深度學習的圖像檢測技術。主要研究內容包括深度模型的特征提取技術、基于深

3、度學習的過孔與導線檢測算法以及算法的軟件實現。論文主要研究成果如下：
　　(1)介紹了深度學習算法的歷史、提出與發(fā)展現狀。回顧了傳統(tǒng)淺層網絡模型的發(fā)展過程，總結了深層網絡與淺層網絡相比所具有的優(yōu)勢。分析了傳統(tǒng)訓練方法在訓練深層網絡時存在的數據獲取、局部極值與梯度彌散等問題。重點介紹了深可信網絡的構造與對比散度訓練方法，并論述了深可信網絡具有的特點。依據編碼器與解碼器的有無，將現有的深度模型分為生成型網絡、區(qū)分型網絡與解碼型網絡三類

4、，并對這三類模型的典型結構、改進方法、優(yōu)缺點做了分析與介紹。
　　(2)針對經典深可信網絡存在參數規(guī)模較大的問題，提出了一種基于偽標簽訓練的深度模型。并設計了應用偽標簽訓練降低模型參數數量的方法。該方法使用生成型網絡模型提取訓練數據的統(tǒng)計特征，使用主成分分析方法降低統(tǒng)計特征的維數，然后將降維后的特征作為對應數據的標簽，再使用重新標記的數據訓練一個傳統(tǒng)的神經網絡，通過調整隱含層神經元節(jié)點數可以顯著減少神經網絡參數規(guī)模。經過在四個機器

5、學習標準測試數據集上的測試，本文設計的訓練方法在不損失模型泛化性能的前提下，能夠降低深可信網絡規(guī)模至原始的40％左右。針對無監(jiān)督訓練為什么會有助于有監(jiān)督學習這一問題，通過對偽標簽訓練實驗結果的分析，提出了一種解釋無監(jiān)督學習原理的觀點。認為無監(jiān)督學習的輸出相比人工數據標簽提供了更加豐富的數據先驗信息，偽標簽能夠更好地反應數據特征，這使模型的代價函數更加精細，無監(jiān)督訓練在代價函數的構造中起到正則化作用。
　　(3)針對PCB的CT圖像

6、對比度低、噪聲大、存在大量偽影的問題，提出了基于深度學習的PCB過孔與導線檢測方法并進行了軟件實現。該方法采用偽標簽訓練方法構造深度模型，通過在樣本圖像上進行訓練，模型可以區(qū)分過孔、背景與12種形狀的導線。所以基于深度學習的方法可以同時檢測過孔與導線要素。對于過孔檢測，可以利用模型輸出結果直接進行判斷。對于導線檢測，本文根據導線形狀移動滑動窗口，并以此跟蹤導線軌跡，直至檢測到導線端點為止。實驗結果表明，基于深度學習的檢測方法能夠有效地克