Los sistemas de visión artificial utilizan sensores digitales de cámaras industriales para recopilar imágenes y utilizan computadoras para el preprocesamiento de imágenes, análisis y la medición de diversas características para tomar decisiones. Con la creciente capacidad y demandas de calidad en la industria electrónica, los estándares de control de calidad entrante (IQC) se vuelven cada vez más estrictos. El control de calidad entrante de la industria se basa principalmente en el muestreo manual. Aunque ahorra tiempo y costos, la tasa de error sigue siendo alta. Este estudio tuvo como objetivo establecer un sistema automático de detección de defectos que pudiera identificar rápidamente defectos en el dedo de oro en placas de circuito impreso (PCBs) de acuerdo con el estándar del fabricante. En el proceso general de iteración de entrenamiento de aprendizaje profundo, los parámetros necesarios para el procesamiento de imágenes y las operaciones de razonamiento deductivo se actualizan automáticamente. En este estudio, se discutieron y compararon las redes de detección de objetos de los algoritmos YOLOv3 (You Only Look Once, Versión 3) y Faster Region-Based Convolutional Neural Network (Faster R-CNN). Los resultados mostraron que el modelo de detección de clasificación de defectos, establecido en base a la arquitectura de red YOLOv3, podría identificar defectos con una precisión del 95%. Por lo tanto, la inspección de muestreo IQC se cambió a una inspección completa, y la estación de inspección completa de tecnología de montaje superficial (SMT) se canceló para reducir la necesidad de personal de inspección.