其他行業
一、傳統視覺檢測的局限
柔性印制電路板（FPCB）因其良好的彎折性與散熱能力，廣泛應用于智能手機、柔性顯示、可穿戴設備等領域。隨著電路密度不斷提升，表面缺陷類型日趨復雜，常見缺陷包括短路、開路、凸起、白點、黑點、破孔等。
在傳統檢測方式中，基于RGB圖像的模板匹配方法應用較廣。該方法通過比對標準圖像與待測圖像來定位異常區域。然而，這類方法對光照條件較為敏感，當光照分布不均時，容易產生誤檢或漏檢。此外，部分缺陷在形態上與正常電路結構相似，僅依靠可見光圖像難以準確區分。
為提升檢測的穩定性，該研究搭建了一套高光譜顯微成像系統。系統由高光譜相機、顯微鏡及采集軟件組成。其中，高光譜相機采用彩譜科技的FS-23型號，具備400–1000nm的光譜范圍，光譜分辨率為2.5nm。
相機采用線掃描方式成像，原始數據包含1200個波段。為便于處理，研究中將每四個相鄰波段合并為一個，最終獲得300個波段的數據結構。單個高光譜圖像的尺寸為1920×960像素×300波段，覆蓋銅導體與聚酰亞胺基材的完整光譜信息。
高光譜成像的優勢在于能夠獲取每個像素點連續的光譜曲線。研究發現，銅與聚酰亞胺兩種材料在500–750nm波長范圍內的光譜響應存在明顯差異，這為后續的圖像分割與材料識別提供了可靠依據。
該研究提出的檢測框架由兩個子網絡構成：FPCB-LocNet用于缺陷定位，FPCB-ClaNet用于缺陷分類。
在定位階段，FPCB-LocNet采用多尺度3D卷積核，同時對空間與光譜維度進行特征提取。網絡中使用兩種不同尺寸的卷積核，分別關注局部空間結構與光譜特征，并通過殘差結構將不同尺度的特征進行融合。這種設計使網絡能夠同時捕捉精細的空間紋理和連續的光譜變化，實現對銅與聚酰亞胺的像素級分割。分割完成后，通過模板匹配定位異常區域。
在分類階段，考慮到高光譜樣本數量有限，網絡采用遷移學習策略，先在FPCB的RGB圖像數據集上進行預訓練，再在假彩色圖像上進行微調。針對不同缺陷類別樣本數量不均衡的問題，網絡中引入了類別平衡采樣與權重衰減策略，使模型能夠更多地關注樣本較少的缺陷類型。同時嵌入SE注意力機制，增強網絡對關鍵特征的關注度。
在圖像分割方面，FPCB-LocNet在處理光照不均的圖像時，表現優于最大熵法、分水嶺算法、Otsu等傳統分割方法，分割精度達到97.86%。在分類任務中，FPCB-ClaNet對六類常見缺陷的綜合分類準確率為97.84%。
通過消融實驗驗證了各項模塊的實際貢獻：數據增強提升了分類準確率，類別平衡采樣與權重衰減有效改善了尾部類別的識別效果，SE注意力機制在增加少量參數的前提下帶來了分類性能的穩定提升。Grad-CAM熱力圖的可視化結果表明，模型的關注區域與實際缺陷位置高度一致。
該研究將高光譜成像與深度學習相結合，構建了一套從數據采集、圖像分割、缺陷定位到缺陷分類的完整處理鏈路。該方法在不依賴特定光照條件的前提下，能夠穩定完成FPCB表面缺陷的識別任務，為高密度柔性電路板的制造質量管理提供了可行的技術路徑。
產品推薦
FigSpec FS-23成像高光譜相機
l 圖像分辨率：1920*1920
l 光譜范圍：400-1000nm
l 光譜分辨率(FWHM)：2.5nm
l 光譜通道數：1200
