El algoritmo de detección de objetos de la escena de ensamblaje de PCB (Placa de Circuito Impreso) basado en CNN (Red Neuronal Convolucional) puede mejorar significativamente la capacidad de producción de la fabricación inteligente de productos electrónicos. Sin embargo, el desequilibrio de clases de objetos en la escena de ensamblaje de PCB, el desequilibrio de características a múltiples escalas y el desequilibrio de muestras positivas/negativas en la CNN se han convertido en problemas críticos que limitan el rendimiento de la detección de objetos. Basándose en YOLOv3, este documento propone un método de división de conjunto de Entrenamiento/Validación equilibrado por clases para el desequilibrio de clases de objetos, una estrategia adicional de fusión de características para el desequilibrio de características a múltiples escalas y un concepto eficiente de anclaje para el desequilibrio de muestras positivas/negativas. Estas tres contribuciones son Balanced-YOLOv3. Tras la verificación experimental, en comparación con otros algoritmos de la serie YOLOv3, el mAP@.5 (Precisión Promedio Media en un umbral de Intersección sobre Unión de 0.5) y mAP@.5:.95 (mAP promedio sobre diferentes umbrales de Intersección sobre Unión, de 0.5 a 0.95, paso 0.05) de Balanced-YOLOv3 han logrado los mejores resultados y se han clasificado en tercer lugar en las métricas de parámetro y tiempo de inferencia. En comparación con otros algoritmos actuales de detección de objetos basados en anclaje, Balanced-YOLOv3 tiene un excelente rendimiento de detección y una baja complejidad computacional, lo que resuelve efectivamente el problema de la detección de objetos desequilibrada en escenarios de ensamblaje de PCB.