La detección automatizada de calidad industrial (QD) aumenta la eficiencia de detección de calidad y reduce costos. Sin embargo, los algoritmos actuales de detección de calidad tienen desventajas como baja eficiencia, detecciones fácilmente perdidas y detecciones falsas. Proponemos QD-YOLO, un método basado en atención para mejorar la eficiencia de detección de calidad en placas base de computadora. En primer lugar, proponemos un módulo de atención compuesto para resaltar los canales de características apropiados en la estructura de fusión de características, permitiendo que la red se concentre en la información crucial en el mapa de características. En segundo lugar, empleamos la función de activación Meta-ACON para aprender dinámicamente si la función de activación es lineal o no lineal para varios datos de entrada y adaptarla a escenarios de entrada variados con linealidad variable. Además, adoptamos la convolución Ghost en lugar de la convolución ordinaria, utilizando operaciones lineales cuando sea posible para reducir el número de parámetros y acelerar la detección. Los resultados experimentales muestran que nuestro método puede lograr un mejor rendimiento y precisión en tiempo real en el conjunto de datos de defectos de calidad de placa base auto-creado, con una precisión promedio (mAP) del 98.85% y una velocidad de detección de 31.25 Fotogramas Por Segundo (FPS). En comparación con el modelo YOLOv5s original, el método mejorado mejora mAP@0.5 en un 2.09% y la velocidad de detección en 2.67 FPS.