Para abordar los problemas de precisión insuficiente, falsas detecciones y omisiones en los algoritmos actuales de detección de defectos en PCB al tratar con objetivos de tamaño pequeño, fondos complejos y formas irregulares, este artículo propone un método de detección de defectos en la superficie de PCB basado en una versión mejorada de YOLO11. Primero, se introduce un mecanismo de atención convolucional multiescala (MSCA) en la red base para mejorar la capacidad de detección de defectos pequeños. Luego, se reemplaza la estructura tradicional del cuello (Neck) por una red piramidal de características eficiente (HS-FPN), que mejora la capacidad del modelo para detectar defectos de diferentes tamaños mediante la introducción de un mecanismo de atención de canal (CA) y un mecanismo de fusión selectiva de características (SFF). A continuación, se mejora el módulo C3K2 combinando ConvFormer con la unidad lineal convolucional con compuerta (CGLU), reduciendo la complejidad computacional y mejorando la extracción de características efectivas. Finalmente, se utiliza la función de pérdida UIoU (Unified-IoU) para ajustar dinámicamente la distribución de pesos de las cajas propuestas, lo que mejora la precisión de localización y la velocidad de convergencia. Los experimentos en un conjunto de datos autoconstruido con 6 tipos de imágenes de defectos de PCB muestran que el modelo mejorado alcanza un mAP del 89,1%, con una mejora del 5,3% en la precisión media de detección, un aumento del 2,3% en la precisión, un incremento del 6,1% en la tasa de recuperación y una reducción del 28,3% en el número de parámetros en comparación con el modelo YOLO11 original, confirmando la efectividad y el potencial de aplicación del método propuesto en la detección real de defectos de PCB.

Procesamiento de imágenes;Detección de defectos PCB;YOLO11;Mecanismo de atención convolucional multiescala;Red piramidal eficiente de características