在制造业高速发展的当下,传统通过人工视目检测缺陷的方法逐渐淡出工业检测环境,基于机器视觉的检测方法随之兴起并广泛应用于工业环境。PCB裸板的制作是工艺流程中最基础的部分,其缺陷检测也是首要环节。针对现有PCB裸板缺陷检测方案不具备通用性且对于多种缺陷的分类准确率不理想等问题,设计了一种改进ORB图像配准与深度学习的PCB裸板缺陷检测方法,主要分为预处理、缺陷定位和分类识别三部分实现PCB裸板缺陷的自动检测。预处理部分,分析了常见滤波处理方法并结合实验的滤波效果后,采取中值滤波进行预处理。随后针对直方图均衡化失真严重、伽马变换和线性变换增强能力的不足,设计一种基于RGB空间的PCB裸板图像增强算法。分析PCB裸板颜色特点后,通过在G通道寻找阈值,并结合人眼对RGB三种颜色的敏感度,对RGB三通道的图像做分段线性变换处理。实验结果表明,本文算法对比度指标达到57.13,在结构相似性、梯度幅值相似性指标方面,与传统线性变化相差不大。并且在视觉上有着明显的提升,达到了亮度适中、对比度清晰的效果。缺陷定位部分,利用基于参考比较法和形态学处理的混合法实现缺陷定位。针对基于ORB的图像配准算法能满足工业环境的速度要求,但其算法不具备尺度的适应性、误匹配率高,且RANSAC方法运算时间不理想等问题,提出一种基于改进ORB算法的PCB裸板图像配准方法。首先建立非线性尺度空间,然后利用经过强角点处理的Shi-Tomasi算法进行角点检测,最后利用更高效的PROSAC算法替代传统RANSAC剔除误匹配点进行精匹配。实验结果表明本文算法平均配准精度值为0.545,配准时间低于600ms,相对于传统ORB匹配算法具有更好的尺度适应性、更高的匹配正确率和配准精度,且具有一定的实时性能。随后进行缺陷定位,利用局部自适应二值化、XOR运算操作以及形态学处理方法,并结合本文设计的滤除细小点步骤与定位策略,实现虚假缺陷的滤除与真实缺陷的定位。对6类缺陷和不同PCB裸板样本展开缺陷定位的实验,实验结果表明本文设计的方法具有良好的定位性能,同时误检率低,处于0%~0.2%区间,具有良好的实用性。缺陷分类识别部分,针对传统缺陷分类识别方法不具备算法通用性、深度学习中浅层的神经网络对特征表达能力不够以及DenseNet网络虽适用于小样本任务但存在特征的冗余等问题,本文引入SENet结构对特征进行加权,搭建SE-DenseNet网络。随后介绍了TFDS数据集与PCB裸板数据集并展开实验。在TFDS数据集上的实验验证了本文在DenseNet中引入SENet结构的有效性,将平均准确率提高了0.34%。在PCB裸板数据集上,将本文搭建的网络与LBP+SVM、HOG+SVM、Cifar10Net网络和DenseNet网络进行了平均识别准确率与检测速度的对比实验。实验结果表明,本文搭建的SE-DenseNet网络准确率达到98.36%,分类性能优于其他算法,检测速度为每张图像33.15ms,具有很好的实时性。为了验证模型对实际PCB裸板缺陷识别的性能,利用前文中已进行缺陷定位后的PCB裸板缺陷图像作为训练好的网络模型的输入样本进行实验。实验结果表明,缺陷漏检率的范围在0%~0.4%之间,漏检率低,本文网络对于PCB裸板的6类缺陷具有良好的分类识别性能。综上所述,本文提出的基于改进ORB图像配准与深度学习的PCB裸板缺陷检测算法,具有一定的通用性和较高的准确率,能有效应用于PCB裸板缺陷的检测。