ty -jour a2 -Haber，Rodolfo E. Au -Miao，Yilin au -liu -liu，Zhewei au -Wu，Xiangning au -gao -gao，jie py -2021 da -2021/10/12分类SP -7550670 VL -2021 AB-生产印刷电路板（PCB）后，PCB制造商需要通过进行严格的测试来删除缺陷的板，而手动检查是耗时且费力的。许多PCB工厂采用自动光学检查（AOI），但是这种基于像素的比较方法具有很高的错误警报率，因此需要大量的人类检查以确定从中引起的警报是否类似于True或伪缺陷。在本文中，我们提出了一种新的成本敏感深度学习模型：基于暹罗网络的成本敏感网络（CSS-NET），转移学习和阈值移动方法，以区分真实和伪PCB缺陷作为成本敏感的分类问题。我们使用优化算法（例如NSGA-II）来确定最佳的成本敏感阈值。结果表明，我们的模型将真实缺陷的准确性提高到97.60％，并且在真实制作的情况下保持相对较高的伪缺陷预测准确性，为61.24％。此外，我们的模型还以其他综合成本敏感的指标胜过其最先进的竞争对手模型，平均较短的培训时间为33.32％。SN -1687-5265 UR -https：//doi.org/10.1155/2021/7550670 DO -10.1155/2021/7550670 JF-计算智能和神经科学PB- Hindawi kw -er -er- er- er- er- er-