[1] [1] 陶显， 侯伟， 徐德. 基于深度学习的表面缺陷检测方法综述［J］. 自动化学报， 2021， 47（5）： 1017-1034.TAOX， HOUW， XUD. A survey of surface defect detection methods based on deep learning［J］. Acta Automatica Sinica， 2021， 47（5）： 1017-1034.（in Chinese）

[2] [2] 卞佰成， 陈田， 吴入军， 等. 基于改进YOLOv3的印刷电路板缺陷检测算法［J］. 浙江大学学报（工学版）， 2023， 57（4）： 735-743.BIANB C， CHENT， WUR J， et al. Improved YOLOv3-based defect detection algorithm for printed circuit board［J］. Journal of Zhejiang University （Engineering Science）， 2023， 57（4）： 735-743.（in Chinese）

[3] [3] 陈亚芳， 廖飞， 黄新宇， 等. 多尺度YOLOv5的太阳能电池缺陷检测［J］. 光学 精密工程， 2023， 31（12）： 1804-1815. doi: 10.37188/OPE.20233112.1804CHENY F， LIAOF， HUANGX Y， et al. Multi-scale YOLOv5 for solar cell defect detection［J］. Opt. Precision Eng.， 2023， 31（12）： 1804-1815.（in Chinese）. doi: 10.37188/OPE.20233112.1804

[4] [4] 李可， 吴忠卿， 吉勇， 等. 改进U-Net芯片X线图像焊缝气泡缺陷检测方法［J］. 华中科技大学学报（自然科学版）， 2022， 50（6）： 104-110. doi: 10.13245/j.hust.220613LIK， WUZ Q， JIY， et al. Detection method of weld bubble defect in chip X-ray image based on improved U-Net network［J］. Journal of Huazhong University of Science and Technology （Natural Science Edition）， 2022， 50（6）： 104-110.（in Chinese）. doi: 10.13245/j.hust.220613

[5] [5] 沈宗礼， 余建波. 基于迁移学习与深度森林的晶圆图缺陷识别［J］. 浙江大学学报（工学版）， 2020， 54（6）： 1228-1239.SHENZ L， YUJ B. Wafer map defect recognition based on transfer learning and deep forest［J］. Journal of Zhejiang University （Engineering Science）， 2020， 54（6）： 1228-1239.（in Chinese）

[6] G M TU, J H QIN, N XIONG. Algorithm of computer mainboard quality detection for real-time based on QD-YOLO. Electronics, 11, 2424(2022).

[7] [7] 陈仁祥， 詹赞， 胡小林， 等. 基于多注意力Faster RCNN的噪声干扰下印刷电路板缺陷检测［J］. 仪器仪表学报， 2021， 42（12）： 167-174.CHENR X， ZHANZ， HUX L， et al. Printed circuit board defect detection based on the multi-attentive faster RCNN under noise interference［J］. Chinese Journal of Scientific Instrument， 2021， 42（12）： 167-174.（in Chinese）

[8] J X LUO, Z Y YANG, S P LI et al. FPCB surface defect detection： a decoupled two-stage object detection framework. IEEE Transactions on Instrumentation and Measurement. IEEE, 1-11(2021).

[9] V A ADIBHATLA, H C CHIH, C C HSU et al. Applying deep learning to defect detection in printed circuit boards via a newest model of you-only-look-once. Mathematical Biosciences and Engineering： MBE, 18, 4411-4428(2021).

[10] A DOSOVITSKIY, L BEYER, A KOLESNIKOV et al. An Image is Worth. arXiv, 2010-11929(2020). http：//arxiv.org/abs/2010.11929

[11] A BOCHKOVSKIY, C Y WANG, H Y M LIAO. YOLOv4： Optimal Speed and Accuracy of Object Detection. arXiv, 2004-10934(2020). http：//arxiv.org/abs/2004.10934

[12] [12] 李彬， 汪诚， 丁相玉， 等. 改进YOLOv4的表面缺陷检测算法［J］. 北京航空航天大学学报， 2023， 49（3）： 710-717.LIB， WANGC， DINGX Y， et al. Surface defect detection algorithm based on improved YOLOv4［J］. Journal of Beijing University of Aeronautics and Astronautics， 2023， 49（3）： 710-717.（in Chinese）

[13] [13] 潘睿志， 林涛， 李超， 等. 基于深度学习的多尺寸汽车轮辋焊缝检测与定位系统研究［J］. 光学 精密工程， 2023， 31（8）： 1174-1187. doi: 10.37188/OPE.20233108.1174PANR Z， LINT， LIC， et al. Research on multi size automobile rim weld detection and positioning system based on depth learning［J］. Opt. Precision Eng.， 2023， 31（8）： 1174-1187.（in Chinese）. doi: 10.37188/OPE.20233108.1174

[14] [14] 郭峰， 朱启兵， 黄敏， 等. 基于改进YOLOV4的陶瓷基板瑕疵检测［J］. 光学 精密工程， 2022， 30（13）： 1631-1641. doi: 10.37188/OPE.20223013.1631GUOF， ZHUQ B， HUANGM， et al. Defect detection in ceramic substrate based on improved YOLOV4［J］. Opt. Precision Eng.， 2022， 30（13）： 1631-1641.（in Chinese）. doi: 10.37188/OPE.20223013.1631

[15] J R CHEN, S H KAO, H HE et al. Run， Don't Walk： Chasing Higher FLOPS for Faster Neural Networks, 12021-12031(2023).

[16] B C WU, C F XU, X L DAI et al. Visual Transformers： Token-Based Image Representation and Processing for Computer Vision. arXiv, 2006-03677(2020). http：//arxiv.org/abs/2006.03677

[17] K HAN, Y H WANG, Q TIAN et al. GhostNet： more features from cheap operations, 1577-1586(2020).

[18] T Y LIN, P DOLLÁR, R GIRSHICK et al. Feature pyramid networks for object detection, 936-944(2017).

[19] S LIU, L QI, H F QIN et al. Path aggregation network for instance segmentation, 8759-8768(2018).

[20] G Y YANG, J LEI, Z K ZHU et al. AFPN： asymptotic feature pyramid network for object detection, 2184-2189(2023).

[21] [21] 孙备， 党昭洋， 吴鹏， 等. 多尺度互交叉注意力改进的单无人机对地伪装目标检测定位方法［J］. 仪器仪表学报， 2023， 44（6）： 54-65.SUNB， DANGZ Y， WUP， et al. Multi scale cross attention improved method of single unmanned aerial vehicle for ground camouflage target detection and localization［J］. Chinese Journal of Scientific Instrument， 2023， 44（6）： 54-65.（in Chinese）

[22] Y XIN, Z ZHOU, Y XIA et al. Computer Motherboard Production Defects. Kaggle(2023). https：//doi.org/10.34740 /KAGGLE/DS/2764127

[23] [23] 周中， 张俊杰， 鲁四平. 基于改进YOLOv4的隧道衬砌裂缝检测算法［J］. 铁道学报， 2023， 45（10）： 162-170. doi: 10.3969/j.issn.1001-8360.2023.10.019ZHOUZ， ZHANGJ J， LUS P. Tunnel lining crack detection algorithm based on improved YOLOv4［J］. Journal of the China Railway Society， 2023， 45（10）： 162-170.（in Chinese）. doi: 10.3969/j.issn.1001-8360.2023.10.019

[24] J G DING, W LI, L L PEI et al. Sw-YoloX： an anchor-free detector based transformer for sea surface object detection. Expert Systems with Applications, 217, 119560(2023).

[25] H F WANG, Z F WANG, M N DU et al. Score-CAM： score-weighted visual explanations for convolutional neural networks, 111-119(2020).