现阶段,随着信息技术的发展,制造业正逐步向智能制造的方向发展,因此期望通过人工智能技术解决制造产业痛点,提高生产效率。本文基于智能制造兴起的工业背景下,在芯片焊点质量检测的应用场景下,试图通过人工智能的方式代替人工作业,以达到减少人力成本,减低时间成本的目的。焊点质量检测是一个目标检测问题,在这一领域中,目前常用的方法为深度学习模型,利用大量的一次性获取的训练数据来训练得到最终模型,并利用模型对数据进行预测。但在实际场景下,数据通常不是一次性获取的,往往是分批次、少量多次的输入数据,随着样本的更新,模型参数也需要随之更新,但若每次都合并数据且重新训练模型,获取模型参数,效率过低,且造成的时间成本与经济成本巨大,本文便旨在解决这一问题。增量学习的基本思想为在高效率地利用旧样本的基础之上,学习新样本,以达到不断的从新样本中学习到新知识且不忘记旧知识的目的。增量学习作为近年来提出的新概念,其模仿人类学习的逻辑,企图对环境及任务进行增量式的学习,从而实现人工智能终身学习。因此,本文中尝试通过目标检测结合增量学习来解决上述问题。文中研究的基本思路是首先对数据进行预处理,对数据中存在的样本类别不平衡问题进行修正,并对处理好的数据模拟实际场景,分为多个批次,以后续输入模型测试。在模型框架上,应用了目标检测算法,以Faster RCNN为模型基底,结合“增量式学习”的思想,加入了基于代表性样本的增量学习,在训练时,通过选取前一批次的代表性样本来代替全部数据,并加入后一批次模型的训练,通过这种手段,试图在不影响模型识别精度的前提来代替模型对所有数据的训练。文中还利用了迁移学习对模型进行训练,并且对两者模型测试的结果进行了对比分析。通过研究,在学习新任务且不遗忘旧任务的目标下,增量学习的模型效果优于迁移学习,且在当前大数据时代背景下,模型时效是模型效果评判的重要标准,增量学习应用于目标检测场景下降低了时间成本,是值得继续深入探索研究的重要方向。