La detección de defectos en placas de circuito impreso (PCB) es una parte importante e indispensable de la producción industrial. Los defectos en PCB, debido al pequeño objetivo y la similitud entre clases, en el proceso de detección de la producción real son propensos a problemas de omisión y detección falsa. Los métodos de detección basados en aprendizaje automático tradicionales están limitados por las necesidades reales de detección de defectos industriales y no muestran buenos resultados. Con el objetivo de abordar los problemas relacionados con la detección de defectos en PCB, proponemos un algoritmo de detección de defectos en PCB basado en DSASPP-YOLOv5 y realizamos experimentos relacionados en el conjunto de datos PKU-Market-PCB. DSASPP-YOLOv5 es un modelo de detección de una sola etapa mejorado, y primero utilizamos el algoritmo K-means++ para el conjunto de datos PKU-Market-PCB para reclasificar el modelo de modo que se ajuste más a las características de los defectos en objetivos pequeños de PCB. En segundo lugar, diseñamos el módulo de Atrous Spatial Pyramid Pooling (DSASPP) de Separación Profunda, que mejora efectivamente la correlación entre la información local y global mediante la construcción de ramas de convolución atrous con diferentes tasas de dilatación y una rama de agrupamiento promedio global. Los resultados experimentales muestran que nuestro modelo logra resultados satisfactorios tanto en la precisión promedio como en las métricas de velocidad de detección en comparación con los modelos existentes, demostrando la efectividad del método propuesto.