Las placas de circuito impreso (PCBs), como componentes integrales de productos electrónicos, desempeñan un papel crucial en la producción industrial moderna. Sin embargo, debido a la precisión y complejidad de las PCBs, los métodos existentes de detección de defectos en PCB presentan algunos problemas como baja precisión de detección y limitada usabilidad. Para abordar estos problemas, se ha propuesto un método de detección de defectos en PCB basado en D-DenseNet (PCBDD-DDNet). Este método aprovecha las ventajas de dos redes de aprendizaje profundo, CDBN (Convolutional Deep Belief Networks) y DenseNet (Densely Connected Convolutional Networks), para construir la red D-DenseNet (Combinación de CDBN y DenseNet). Dentro de esta red, CDBN se centra en la extracción de características de bajo nivel, mientras que DenseNet es responsable de la extracción de características de alto nivel. Las salidas de ambas redes se integran utilizando un enfoque de promedio ponderado. Además, el D-DenseNet emplea un módulo multi-escala para extraer características de diferentes niveles. Esto se logra incorporando filtros de tamaños 3 x 3, 5 x 5 y 7 x 7 a lo largo de las tres rutas de la red CDBN, red de extracción de características multi-escala y red DenseNet, capturando efectivamente información en diversas escalas. Para prevenir el sobreajuste y mejorar el rendimiento de la red, se introducen la función de optimización Adafactor y la regularización L2. Finalmente, se incorpora un mecanismo de minería de ejemplos difíciles en línea (OHEM) para mejorar la capacidad de la red para manejar muestras desafiantes y mejorar la precisión de la red de detección de defectos en PCB. La efectividad de este método PCBDD-DDNet se demuestra a través de experimentos realizados en conjuntos de datos de PCB públicamente disponibles. Y el método logra un mAP (Promedio de Precisión Medio) del 93.24%, con una precisión superior a otras redes clásicas. Los resultados confirman la eficacia del método en la detección de defectos en PCB.