1.一种PCB板表面缺陷检测装置，其特征在于，包括：图片采集模块，用于采集待检测PCB板图片；

表面缺陷检测模块，用于将所述图片采集模块获取的PCB板图片送入预训练的表面缺陷检测模型，对所述PCB板中可能存在的表面缺陷进行检测；所述表面缺陷检测模型为改进的YOLOv3网络结构，所述YOLOv3网络结构中主干网络为改进后的EfficientNet网络，所述EfficientNet网络中包括多个用于提取特征的MBConvBlock结构，在每个所述MBConvBlock结构中：采用1×1的卷积对输入的数据增加维度之后，进一步对其进行N×N的卷积操作，并利用注意力机制为每个通道添加相应的权值实现特征提取，最后利用1×1的卷积进行维度降低操作并添加相应的残差边。

2.如权利要求1所述的PCB板表面缺陷检测装置，其特征在于，所述MBConvBlock结构包括依次连接的：1×1的第一卷积层、第一批归一化层、第一Swish激活函数层、3×3的第一深度可分离卷积层和5×5的第二深度可分离卷积层、第二批归一化层、第二Swish激活函数层、全局平均池化层、1×1的第二卷积层、第三Swish激活函数层、1×1的第三卷积层、sigmod激活函数层、1×1的第四卷积层及第三批归一化层，其中，1×1的第一卷积层的输入作为MBConvBlock结构的输入，第三批归一化层的输出作为MBConvBlock结构的输出，3×3的第一深度可分离卷积层和5×5的第二深度可分离卷积层分别与第一Swish激活函数层的输出连接，1×1的第四卷积层的输入分别与第二Swish激活函数层和sigmod激活函数层的输出连接，且1×1的第一卷积层的输入与第三批归一化层的输出连接。

3.如权利要求1或2所述的PCB板表面缺陷检测装置，其特征在于，所述表面缺陷检测模型中包括依次连接的Steam结构、第一MBConvBlock结构、第二MBConvBlock结构、第三MBConvBlock结构、第四MBConvBlock结构、第五MBConvBlock结构、第六MBConvBlock结构及第七MBConvBlock结构；

还包括：

依次连接的第一特征融合层、第一卷积结构、3×3的第一卷积层及1×1的第五卷积层，其中，第一特征融合层的输入与第二MBConvBlock结构的输出连接；

依次连接的第二特征融合层、第二卷积结构、3×3的第二卷积层及1×1的第六卷积层，其中，第二特征融合层的输入与第三MBConvBlock结构的输出连接；

依次连接的第三特征融合层、第三卷积结构、3×3的第三卷积层及1×1的第七卷积层，其中，第三特征融合层的输入与第五MBConvBlock结构的输出连接；

依次连接的第四卷积结构、3×3的第四卷积层及1×1的第八卷积层，其中，第四卷积结构的输入与第七MBConvBlock结构的输出连接；

第一卷积及上采样层，输入与第四卷积结构的输出连接，输出与第三特征融合层的输入连接；

第二卷积及上采样层，输入与第三卷积结构的输出连接，输出与第二特征融合层的输入连接；及

第三卷积及上采样层，输入与第二卷积结构的输出连接，输出与第一特征融合层的输入连接。

4.如权利要求1或2所述的PCB板表面缺陷检测装置，其特征在于，所述表面缺陷检测模型中包括依次连接的Steam结构、第一MBConvBlock结构、第二MBConvBlock结构、第三MBConvBlock结构、第四MBConvBlock结构、第五MBConvBlock结构、第六MBConvBlock结构及第七MBConvBlock结构；

还包括：

依次连接的第一特征融合层、第一卷积结构、3×3的第一Inception结构及1×1的第五卷积层，其中，第一特征融合层的输入与第二MBConvBlock结构的输出连接；

依次连接的第二特征融合层、第二卷积结构、3×3的第二Inception结构及1×1的第六卷积层，其中，第二特征融合层的输入与第三MBConvBlock结构的输出连接；

依次连接的第三特征融合层、第三卷积结构、3×3的第三Inception结构及1×1的第七卷积层，其中，第三特征融合层的输入与第五MBConvBlock结构的输出连接；

依次连接的SPP结构、第四卷积结构、3×3的第四Inception结构及1×1的第八卷积层，其中，SPP结构的输入与第七MBConvBlock结构的输出连接；

第一卷积及上采样层，输入与第四卷积结构的输出连接，输出与第三特征融合层的输入连接；

第二卷积及上采样层，输入与第三卷积结构的输出连接，输出与第二特征融合层的输入连接；

第三卷积及上采样层，输入与第二卷积结构的输出连接，输出与第一特征融合层的输入连接。

5.如权利要求4所述的PCB板表面缺陷检测装置，其特征在于，所述第一Inception结构、第二Inception结构、第三Inception结构及第四Inception结构中包括：1×1的第九卷积层、1×1的第十卷积层、1×1的第十一卷积层，1×3的卷积层、

3×1的卷积层及第四特征融合层，其中，所述第四特征融合层的输出作为各Inception结构的输出，1×3的卷积层和3×1的卷积层的输入分别与1×1的第十一卷积层的输出连接，1×

1的第九卷积层、1×1的第十卷积层、1×3的卷积层及3×1的卷积层的输出分别与第四特征融合层的输入连接，且各卷积层采用Relu6激活函数激活；和/或，所述SPP结构中包括：卷积核分别为5×5、9×9和13×13的三个最大池化层及第五特征融合层，其中，三个最大池化层的输出分别与第五特征融合层的输入连接。

6.如权利要求1或2或5所述的PCB板表面缺陷检测装置，其特征在于，所述表面缺陷检测装置还包括：

数据集构建模块，与所述图片采集模块连接，用于对所述图片采集模块采集的PCB板图片进行扩充及标注，得到k个缺陷类别的数据集；

先验框计算模块，与所述数据集构建模块连接，用于利用K‑means++算法对数据集构建模块构建的数据集进行聚类得到k个初始聚类中心，并利用得到的k个初始聚类中心来运行标准的k‑means算法得到网络的先验框，其中，k‑means算法采用欧式距离的方式进行度量，且每个特征层中包括先验框；

模型训练模块，与所述先验框计算模块连接，用于根据所述先验框对创建的表面缺陷检测模型进行训练。

7.如权利要求1或2或5所述的PCB板表面缺陷检测装置，其特征在于，所述图片采集模块中包括：

PCB板放置单元，用于放置待采集图片的PCB板；

视觉单元，用于为所述PCB板打光及拍摄图片；

控制单元，分别与所述PCB板放置单元和视觉单元连接，用于控制所述PCB板放置单元转动，以带动PCB板转动；及用于显示及控制图片采集。

8.一种PCB板表面缺陷检测方法，其特征在于，应用于如权利要求1‑7任意一项所述的PCB板表面缺陷检测装置，所述PCB板表面缺陷检测方法包括：采集待检测PCB板图片；

将所述图片采集模块获取的PCB板图片送入预训练的表面缺陷检测模型，对所述PCB板中可能存在的表面缺陷进行检测；所述表面缺陷检测模型为改进的YOLOv3网络结构，所述YOLOv3网络结构中主干网络为改进后的EfficientNet网络，所述EfficientNet网络中包括多个用于提取特征的MBConvBlock结构，在每个所述MBConvBlock结构中：采用1×1的卷积对输入的数据增加维度之后，进一步对其进行N×N的卷积操作，并利用注意力机制为每个通道添加相应的权值实现特征提取，最后利用1×1的卷积进行维度降低操作并添加相应的残差边。

9.如权利要求8所述的PCB板表面缺陷检测方法，其特征在于，所述采集待检测PCB板图片之后还包括：

对采集的PCB板图片进行扩充及标注，得到k个缺陷类别的数据集；

利用K‑means++算法对构建的数据集进行聚类得到k个初始聚类中心，并利用得到的k个初始聚类中心来运行标准的k‑means算法得到网络的先验框，其中，k‑means算法采用欧式距离的方式进行度量，且每个特征层中包括先验框；

根据所述先验框对创建的表面缺陷检测模型进行训练。

10.如权利要求8或9所述的PCB板表面缺陷检测方法，其特征在于，所述表面缺陷检测模型的损失函数LossAll为：

LossAll＝LossIoU+LossConfidence+LossClass其中，LossIoU为IoU损失，LossConfidence为置信度损失，LossClass为预测缺陷类别的损失。