缺陷检测在现代工业连续、大批量的自动化生产过程中扮演着越来越重要的角色。特别是在PCB的生产过程中,PCB表面所产生的膜腐蚀、膜氧化、孔异常、电线断裂、异物污染等缺陷不仅会影响到产品的功能以及产品的完整性,使用缺陷严重的PCB产品甚至会对用户的安全产生影响。因此,对PCB的表面的缺陷进行快速,实时的检测具有重要的意义。当前,在PCB表面缺陷的检测方法中,主要有机械检测、射线检测,人工检测等,在上面的几种检测方法中,人工检测是最传统,也是效率最低的检测方法,其检测的准确率很大因素上取决于工人的经验,所以检测的准确率很难达到生产标准;而机械检测通常是采用接触式检测,在检测时需要调整PCB的位置以及角度来进行检测,造成时间成本的增大;射线检测能够对产品的缺陷进行很好的分辨,但是由于其设备结构复杂,造价成本高,因此实际的生产过程中使用并不广泛。随着PCB制造行业的迅速发展,对PCB工艺设计、质量要求等越来越高,其表面所产生的缺陷类型越来越多,对于检测的精度要求也越来越高。现在常用检测方法已经无法保证批量化生产过程中对PCB的质量要求,也不能准确检测PCB表面的缺陷。基于深度学习方法的图像缺陷检测正广泛的被应用在工业生产过程中,本文以中国熊猫电子公司批量生产的PCB为研究对象,设计了一种基于深度学习方法的缺陷检测平台,采用RCNN系列算法可以快速准确的识别出PCB在生产过程中所产生的缺陷以及类型。本文调研了目前PCB生产过程中的典型的缺陷检测系统以及国内外的研究现状,采集了中国熊猫电子公司批量生产的PCB图像数据,采集中对高速摄像机的镜头以及光源进行了调整和选择,并对采集的图像数据进行打标分类,采用对比分析方法,剔除少量模糊和难以识别的图像数据,将数据集转换为detectron2平台可以识别的COCO数据集。其次,以Linux为平台,配置GPU加速云服务器,以Python语言为开发工具,采用detectron2框架,设计搭建了基于深度学习训练、推理等应用场景的PCB图像缺陷检测平台。采用RCNN系列算法,针对PCB中缺陷所存在的多种变化,如位置,亮度等变化,通过卷积神经网络提取图像特征,确定出缺陷的类别,再用边界回归算法确定缺陷的位置并标注出来,从而实现了对PCB的图像数据进行缺陷的识别和检测。实验结果表明:通过对大量PCB图形数据的实验测试,设计开发出的PCB图像缺陷检测平台,应用了分割视图,并在对上述的算法进行了应用整合的基础上,能够对输入的PCB图像进行缺陷的分类和识别,同时验证了平台的实用性和可靠性,为该平台能够在实际生产的环境中进行缺陷检测奠定了基础。