Para resolver problemas de precisão insuficiente, falsos positivos e omissões encontrados em algoritmos atuais de detecção de defeitos em PCB ao lidar com alvos de pequeno porte, fundo complexo e formas irregulares, este artigo propõe um método de detecção de defeitos na superfície do PCB baseado em uma versão aprimorada do YOLO11. Primeiramente, um mecanismo de atenção convolucional multiescala (MSCA) é incorporado na rede principal para aumentar a capacidade de detecção de defeitos minúsculos. Em seguida, a estrutura tradicional do pescoço (Neck) é substituída por uma rede piramidal de características eficiente (HS-FPN), que aprimora a capacidade do modelo de detectar defeitos de diferentes tamanhos por meio da introdução de um mecanismo de atenção de canal (CA) e um mecanismo de fusão seletiva de características (SFF). Posteriormente, o módulo C3K2 é aprimorado combinando o ConvFormer com a unidade linear convolucional com porta (CGLU), diminuindo a complexidade computacional e melhorando a extração de características eficazes. Por fim, a função de perda UIoU (Unified-IoU) é usada para ajustar dinamicamente a distribuição dos pesos das caixas candidatas, aumentando a precisão de localização e a velocidade de convergência. Experimentos realizados em um conjunto de dados autoconstruído com 6 tipos de imagens de defeitos de PCB demonstram que o modelo aprimorado alcançou um mAP de 89,1%, um aumento de 5,3% na precisão média de detecção, um incremento de 2,3% na precisão, uma elevação de 6,1% na taxa de recuperação e uma redução de 28,3% no número de parâmetros em comparação com o modelo YOLO11 original, confirmando a eficácia e o potencial de aplicação do método proposto na detecção real de defeitos em PCB.

Processamento de imagem;Detecção de defeitos em PCB;YOLO11;Mecanismo de atenção convolucional multiescala;Rede piramidal eficiente de características