Pour résoudre les problèmes de précision insuffisante, de fausses détections et d’omissions rencontrés dans les algorithmes actuels de détection des défauts de PCB lors du traitement de cibles de petite taille, d’arrière-plans complexes et de formes irrégulières, cet article propose une méthode de détection des défauts de surface de PCB basée sur une version améliorée de YOLO11. Tout d'abord, un mécanisme d’attention convolutif multi-échelles (MSCA) est introduit dans le réseau principal pour renforcer la capacité de détection des petits défauts. Ensuite, la traditionnelle structure de cou (Neck) est remplacée par un réseau de pyramide de caractéristiques efficace (HS-FPN), qui améliore la capacité du modèle à détecter des défauts de différentes tailles grâce à l’introduction d’un mécanisme d’attention par canal (CA) et d’un mécanisme de fusion sélective des caractéristiques (SFF). Puis, le module C3K2 est amélioré en combinant ConvFormer avec une unité linéaire convolutionnelle à porte (CGLU), ce qui réduit la complexité de calcul tout en améliorant l’extraction des caractéristiques efficaces. Enfin, une fonction de perte UIoU (Unified-IoU) est utilisée pour ajuster dynamiquement la pondération des propositions de cadre, améliorant ainsi la précision de localisation et la vitesse de convergence. Des expériences sur un jeu de données composé de 6 types d’images de défauts PCB auto-constitué montrent que le modèle amélioré atteint un mAP de 89,1%, avec une amélioration de 5,3% de la précision moyenne de détection, une précision accrue de 2,3%, un rappel augmenté de 6,1%, et une réduction de 28,3% du nombre de paramètres par rapport au modèle YOLO11 original, confirmant l’efficacité et le potentiel d’application de la méthode proposée dans la détection réelle des défauts de PCB.

Traitement d’image;Détection des défauts PCB;YOLO11;Mécanisme d’attention convolutif multi-échelles;Réseau pyramidal efficace de caractéristiques