1.一种基于LDLFModel的PCB缺陷检测方法，其特征在于，包括如下步骤：S1：对采集的PCB数据集进行数据增强，形成训练数据；

S2：构建深度学习轻量级融合网络模型，即LDLFModel网络模型；所述LDLFModel网络模型包括Backbone部分、Neck部分和Prediction部分；Backbone部分采用MobileNet v3-Small作为特征提取网络，并在MobileNet v3-Small的最后一层加入了位置注意力机制；Neck部分采用特征金字塔FPN和路径融合PAN相结合的方式进行特征融合，并在Neck部分中加入了位置注意力机制，获得增强的特征层；Prediction部分为YOLO head模块，用于进行目标预测；

S3：对所述LDLFModel网络模型进行训练，具体步骤如下：

S301：将经过数据增强后的PCB数据集输入到所述LDLFModel网络模型的Backbone部分中，通过带注意力机制的MobileNet v3-Small进行依次下采样后，获得三个不同分辨率的有效特征层；

S302：将步骤S301中获得的三个有效特征层输入到Neck部分进行特征融合，对三个有效特征层依次进行上采样和下采样操作，采用快速归一化融合的方式进行特征融合，获得三个增强的有效特征层；

S303：将步骤S302中获得的三个增强的有效特征层输入到YOLO head模块中预测PCB缺陷目标的中心点位置，获取预测框宽高、置信度以及PCB缺陷目标类别信息，并采用目标框损失函数Eiou loss作为所述LDLFModel网络模型的损失函数ζEioU，提升预测框定位的准确性；

S4：将训练好的LDLFModel网络模型用于识别PCB缺陷，获取缺陷检测结果，具体方法为：将待检测的PCB缺陷数据集输入切割模块进行切割，将待检测的PCB缺陷数据集切割成小图，左右相邻或者上下相邻的小图之间具有20％的重叠区域，将切割成的小图输入训练好的LDLFModel网络模型进行PCB缺陷检测，输出带有检测结果的小图，并将带有检测结果的小图输入还原模块进行拼接还原，获得最终的可视化检测结果。

2.根据权利要求1所述的一种基于LDLFModel的PCB缺陷检测方法，其特征在于，所述步骤S1的具体方法为：对PCB数据集进行随机翻转、随机镜像、随机亮度变化以及随机缩放处理，进而扩充数据集的数量，然后采用Mosica数据增强的方式，获得最终的训练数据。

3.根据权利要求1所述的一种基于LDLFModel的PCB缺陷检测方法，其特征在于，所述步骤S2中位置注意力机制用于进行坐标信息的嵌入和坐标信息的生成；坐标信息嵌入的原理为：对给定输入特征x，使用尺寸为(H，1)或(1，W)的池化核分别沿着水平坐标和垂直坐标对每个通道进行编码，输出的具体表达式为：其中，W为池化核的宽，m为池化核在W空间范围的取值，xc(h,m)为高度为h，W取m的特征图输入张量，为高度为h的第c通道的输出；

宽度为w的第c通输出的具体表达式为：

其中，H为池化核的高，n为池化核在H空间范围的取值，xc(n,w)为宽度为w，H取n的特征图输入张量，为宽度为w的第c通道的输出；

坐标信息的生成原理为：

经过坐标信息嵌入中的变换后，对变换后的输出结果进行Concat操作得到[zh,zw]，最后经过非线性激活函数δ得到空间信息在水平方向和垂直方向进行编码的中间特征映射f，具体表达式如下：f＝δ(F1([zh,zw]))

其中，F1为1×1卷积变换函数；

然后沿着空间维数将中间特征映射f分解为2个单独的张量fh和fw，再利用2个1×1卷积变换函数Fh和Fw以及非线性激活函数σ，即sigmoid函数，分别将fh和fw变换为具有相同通道数的张量gh和gw，具体表达式如下：gh＝σ(Fh(fh))

gw＝σ(Fw(fw))

则位置注意力机制的输出yc(m,n)的具体表达式为：

其中，xc(m,n)为通道数取c，特征图的宽度为m，特征图的高度取n的输入特征图，为通道数取c，高度为h，宽度为m的张量，为通道数取c，宽度为w，高度为n的张量。

4.根据权利要求1所述的一种基于LDLFModel的PCB缺陷检测方法，其特征在于，所述步骤S302中，快速归一化融合的表达式为：其中，O为特征融合的结果，wi表示第i个输入特征Ii所对应的学习权重，∈为不为0的常数，用于保证数值的稳定性；通过对每个wi进行一次Relu操作，保证wi的取值大于等于0；

x级和x+1级特征层在x级的融合情况具体表述为：

其中，Resize是上下采样操作，Conv是对特征的卷积操作，wi表示第i个输入特征Ii所对应的学习权重，wi+1表示第i+1个输入特征Ii+1所对应的学习权重，表示第k级融合后的特征输出，表示第k级的特征输入，表示第k+1级的特征输入。

5.根据权利要求1所述的一种基于LDLFModel的PCB缺陷检测方法，其特征在于，所述步骤S303中，所述损失函数ζEioU的具体表达式为：其中，ρ(bp,bgt)为预测框和真实框中心点的欧氏距离，ρ(w,wgt)为预测框宽和真实框宽的欧氏距离，ρ(h,hgt)为预测框高和真实框高的欧氏距离，t为目标框的真实框最小外接矩形的面积对角线，Tw为最小外接框的宽度，Th为最小外接框的高度，IoU为预测框和真实框的交并比，A为预测框，B为真实框。

6.根据权利要求1所述的一种基于LDLFModel的PCB缺陷检测方法，其特征在于，所述步骤S4中，所述切割模块的切割方法为：设置切割系数mul，当mul＝1可关闭切割层，当mul>1表示开启切割层，其中切割成小图的数量N与mul的关系为：N＝mul2

首先获取待检测PCB图片的长xsize和宽ysize；再分别计算切割框的长x_smoc和宽y_smoc：再计算每个切割位置的起始坐标(xstarpoint,ystarpoint)：其中，p和q为自然数；

再计算最后一个切割位置的相对坐标(xreal，yreal)

xreal＝min(xstarpoint+x_smoc,xsize)

yreal＝min(ystarpoint+y_smoc,ysize)

比较待检测图片长和宽与最后一个切割位置的相对坐标，判断是否刚好切割完，如果不能刚好切割完，则最后一个切割框位置取(xreal，yreal)，使最后一个切割框与待检测图片的右边界平齐；

所述还原模块将所有切割小图拼接还原的具体方法为：根据每个切割点起始坐标(xstarpoint,ystarpoint)将带检测结果的切割小图进行拼接，进行非极大值抑制，去除多余的冗余框，得到最终的可视化检测结果。