在電子制造業快速發展的背景下，印刷電路板(PCB)的缺陷檢測面臨嚴峻挑戰。生產過程中存在大量不影響功能的"偽缺陷"，若簡單過濾將造成資源浪費。傳統人工檢測效率低下，而基于機器視覺的方法又存在靈活性差、精度不足等問題。盡管自動化機器學習(AutoML)技術能簡化模型開發流程，但其內置算法難以滿足PCB缺陷分類的高精度需求。更棘手的是，不同PCB型號的缺陷類型和電路規格差異顯著，導致單一數據集訓練的模型泛化能力受限。

針對上述問題，廣州教育系統資助的研究團隊在《Engineering Applications of Artificial Intelligence》發表論文，提出全協作域自適應神經網絡(FC-DANN)。該方法創新性地整合了循環特征提取器、非對抗性協作判別器和多分類器協同決策機制，利用四類PCB缺陷數據集(含真實缺陷與偽缺陷樣本)進行驗證。關鍵技術包括：1) 結合空間變換網絡(STN)改進的循環特征提取器實現跨域特征對齊；2) 通過協作判別器避免傳統對抗訓練導致的特征丟失；3) 設計兩階段訓練的共商分類器集成多源域信息；4) 采用相似性加權機制優化分類器協同決策。

Section snippets部分顯示，研究團隊系統分析了遷移學習三大分支技術（模型微調、度量學習、對抗域適應）在工業場景的適用性。Problem formulation章節闡明，FC-DANN通過多源域特征融合解決目標域小樣本分類問題。Descriptions of datasets詳細介紹四類PCB數據集特點，包括不同采樣環境獲取的真實缺陷（如短路、斷路）與偽缺陷樣本。

Conclusion部分總結：FC-DANN在四類PCB數據集上的平均分類準確率分別超越現有技術1.06%和1.88%。其創新性體現在：1) 循環特征提取結構保持非共性特征提取能力；2) 協作判別器突破傳統對抗訓練局限；3) 共商分類器實現多源域知識融合。該研究為PCB多型號缺陷檢測提供了樣本高效的解決方案，相關數據集已開源。

CRediT authorship顯示Jiafu Wen為方法論主要設計者，Wenkai Huang獲廣州市教育局資助。研究顯著提升了小樣本條件下PCB缺陷分類的泛化能力，對工業質檢智能化具有重要實踐價值。