Для решения проблем недостаточной точности, ложных срабатываний и пропусков при обнаружении дефектов на печатных платах (PCB) в условиях небольших размеров целей, сложного фона и неправильной формы предлагается метод обнаружения дефектов поверхности PCB, основанный на улучшенной модели YOLO11. Во-первых, во внутреннюю сеть введён механизм мультимасштабного свёрточного внимания (MSCA) для повышения способности обнаружения мелких дефектов. Во-вторых, традиционная структура шеи заменена на эффективную сеть пирамиды признаков (HS-FPN), которая с помощью механизма каналового внимания (CA) и механизма избирательного объединения признаков (SFF) улучшает способность модели обнаруживать дефекты разных размеров. Далее модуль C3K2 улучшен сочетанием ConvFormer и свёрточного линейного элемента управления (CGLU), что снижает вычислительную сложность и улучшает извлечение эффективных признаков. Наконец, используется функция потерь UIoU (Unified-IoU) для динамической настройки распределения весов кандидатных рамок, что повышает точность локализации и скорость сходимости. Эксперименты на собственном наборе данных с 6 типами дефектов PCB показали, что улучшенная модель достигла mAP 89,1%, что на 5,3% выше, чем у исходной модели YOLO11, при этом точность возросла на 2,3%, полнота – на 6,1%, а количество параметров сократилось на 28,3%, что подтверждает эффективность и потенциал применения предлагаемого подхода в реальном обнаружении дефектов PCB.

Обработка изображений;Обнаружение дефектов PCB;YOLO11;Мультимасштабный свёрточный механизм внимания;Эффективная сеть пирамиды признаков