柔性印制電路板是剛性印制電路板(Printed Circuit Board,PCB)中相對高端的產(chǎn)品，現(xiàn)代的FPC檢測方法主要基于機器視覺的原理，自動光學檢測(Automatic Optical Inspection,AOI)技術可以無接觸地檢測FPC表面缺陷，不會對FPC造成二次傷害，是當前FPC缺陷檢測的熱點研究方向。

  雖然基于深度學習的檢測方法目前已有較多研究，但由于難以收集并標記大量缺陷訓練樣本，因此目前用于FPC板的視覺檢測算法大部分仍是數(shù)字圖像檢測法，即直接采集特定部分的圖像，然后根據(jù)電路板上特定組成部分的顏色、灰度及紋理等特點在劃定區(qū)域內(nèi)檢測缺陷，如Rau等人將標準參考圖像與待檢圖像做圖像減法來確定是否存在缺陷，接著提出邊界狀態(tài)轉移法對缺陷進行識別；Silva提出了粒子分析方法，可快速檢測焊接鍍通孔元件焊料的缺陷。Wei-ChienWang利用模板匹配的思想，全面檢測電路板上鍍通孔部位的缺陷。VikasChaudhary利用圖像配準技術實現(xiàn)PCB線路、焊盤及鍍通孔等部位的14種缺陷的檢測識別。

  上述處理技術在實際實現(xiàn)時多是跳過了定位步驟直接采集目標部位的圖像，然后進行后續(xù)檢測步驟，但在實際生產(chǎn)過程中，我們每次拍照都只能獲FPC板的整體圖像，難以直接定位到特定部位并進行圖像采集，因此上述算法無法直接運用于生產(chǎn)過程中的缺陷檢測。

  針對這一問題，將微分幾何理論和方法用來描述FPC圖像輪廓：對經(jīng)過灰度化預處理后用區(qū)域生長的方法提取出的FPC圖像輪廓，采用雙向差分法計算其離散曲率，定義曲率距離特征并據(jù)此計算陸地移動距離，最終達到對FPC特定區(qū)域的識別。該方法是通過對FPC表面各組成部分的形狀進行探究，利用曲率特征進行相似性度量，能在不依賴大量缺陷樣本的基礎上較為精確地實現(xiàn)FPC不同缺陷部位的識別，實時性高，能滿足企業(yè)在FPC缺陷檢測方面的實際需求。