Devido à complexidade na distribuição das posições dos componentes, aos alvos de defeitos não evidentes e à multi-escala na detecção de defeitos na montagem de placas-mãe de computador, este artigo propõe um algoritmo de detecção de defeitos de ponta a ponta baseado em extração paralela de características e fusão progressiva de características entrecruzadas. Primeiramente, é apresentada uma rede paralela de extração residual de características que combina convolução parcial e Transformer visual, aproveitando a baixa complexidade computacional da convolução parcial para extrair características locais, enquanto o Transformer visual expande o campo receptivo do modelo por meio da capacidade de modelagem de longo alcance, reforçando a capacidade de extração de características da rede. Em seguida, são introduzidos mecanismos de atenção e de fusão progressiva de características, propondo uma rede de fusão progressiva de características entrecruzadas com atenção multiescala para fortalecer a capacidade de fusão de características do modelo de detecção. Resultados experimentais em conjuntos de dados públicos mostram que o valor médio de precisão (mAP) do algoritmo alcançou 94,63%, um aumento de 4,62% comparado ao modelo base YOLOv5, superando outros modelos avançados, com velocidade de detecção de 25 FPS. Isso alcança um bom equilíbrio entre precisão e velocidade de detecção, fornecendo um método rápido e eficaz para automação e inteligência na detecção de defeitos na superfície da montagem de placas-mãe em ambientes industriais reais.

detecção de defeitos na montagem de placas-mãe de computador;extração paralela de características;fusão progressiva de características;Transformer visual;convolução parcial