其他行业
一、传统视觉检测的局限
柔性印制电路板（FPCB）因其良好的弯折性与散热能力，广泛应用于智能手机、柔性显示、可穿戴设备等领域。随着电路密度不断提升，表面缺陷类型日趋复杂，常见缺陷包括短路、开路、凸起、白点、黑点、破孔等。
在传统检测方式中，基于RGB图像的模板匹配方法应用较广。该方法通过比对标准图像与待测图像来定位异常区域。然而，这类方法对光照条件较为敏感，当光照分布不均时，容易产生误检或漏检。此外，部分缺陷在形态上与正常电路结构相似，仅依靠可见光图像难以准确区分。
为提升检测的稳定性，该研究搭建了一套高光谱显微成像系统。系统由高光谱相机、显微镜及采集软件组成。其中，高光谱相机采用彩谱科技的FS-23型号，具备400–1000nm的光谱范围，光谱分辨率为2.5nm。
相机采用线扫描方式成像，原始数据包含1200个波段。为便于处理，研究中将每四个相邻波段合并为一个，最终获得300个波段的数据结构。单个高光谱图像的尺寸为1920×960像素×300波段，覆盖铜导体与聚酰亚胺基材的完整光谱信息。
高光谱成像的优势在于能够获取每个像素点连续的光谱曲线。研究发现，铜与聚酰亚胺两种材料在500–750nm波长范围内的光谱响应存在明显差异，这为后续的图像分割与材料识别提供了可靠依据。
该研究提出的检测框架由两个子网络构成：FPCB-LocNet用于缺陷定位，FPCB-ClaNet用于缺陷分类。
在定位阶段，FPCB-LocNet采用多尺度3D卷积核，同时对空间与光谱维度进行特征提取。网络中使用两种不同尺寸的卷积核，分别关注局部空间结构与光谱特征，并通过残差结构将不同尺度的特征进行融合。这种设计使网络能够同时捕捉精细的空间纹理和连续的光谱变化，实现对铜与聚酰亚胺的像素级分割。分割完成后，通过模板匹配定位异常区域。
在分类阶段，考虑到高光谱样本数量有限，网络采用迁移学习策略，先在FPCB的RGB图像数据集上进行预训练，再在假彩色图像上进行微调。针对不同缺陷类别样本数量不均衡的问题，网络中引入了类别平衡采样与权重衰减策略，使模型能够更多地关注样本较少的缺陷类型。同时嵌入SE注意力机制，增强网络对关键特征的关注度。
在图像分割方面，FPCB-LocNet在处理光照不均的图像时，表现优于最大熵法、分水岭算法、Otsu等传统分割方法，分割精度达到97.86%。在分类任务中，FPCB-ClaNet对六类常见缺陷的综合分类准确率为97.84%。
通过消融实验验证了各项模块的实际贡献：数据增强提升了分类准确率，类别平衡采样与权重衰减有效改善了尾部类别的识别效果，SE注意力机制在增加少量参数的前提下带来了分类性能的稳定提升。Grad-CAM热力图的可视化结果表明，模型的关注区域与实际缺陷位置高度一致。
该研究将高光谱成像与深度学习相结合，构建了一套从数据采集、图像分割、缺陷定位到缺陷分类的完整处理链路。该方法在不依赖特定光照条件的前提下，能够稳定完成FPCB表面缺陷的识别任务，为高密度柔性电路板的制造质量管理提供了可行的技术路径。
产品推荐
FigSpec FS-23成像高光谱相机
l 图像分辨率：1920*1920
l 光谱范围：400-1000nm
l 光谱分辨率(FWHM)：2.5nm
l 光谱通道数：1200
