Quy trình sản xuất bảng mạch in (PCB) ngày càng trở nên phức tạp, trong đó ngay cả những lỗi nhỏ cũng có thể làm giảm hiệu suất sản phẩm và tỷ lệ năng suất. Việc xác định chính xác các lỗi trên PCB là rất quan trọng nhưng vẫn còn nhiều thách thức. Các phương pháp phát hiện lỗi PCB truyền thống, chẳng hạn như kiểm tra bằng mắt thường và các công nghệ tự động, đều có những hạn chế. Mặc dù các lỗi có thể dễ dàng được xác định dựa trên tính đối xứng, nhưng khía cạnh vận hành lại khá khó khăn. Học sâu đã cho thấy tiềm năng trong việc phát hiện lỗi; tuy nhiên, các mô hình học sâu phát hiện lỗi PCB vẫn gặp phải các vấn đề như kích thước mô hình lớn, tốc độ phát hiện chậm và độ chính xác chưa tối ưu. Bài báo này sử dụng thuật toán YOLOv8 để phát hiện lỗi PCB. Chúng tôi cải tiến YOLOv8 gốc bằng cách nâng cấp bộ tối ưu hóa của nó lên RAdam. Kết quả thực nghiệm cho thấy so với mô hình YOLOv8 gốc, mô hình YOLOv8-RAdam được cải tiến đã đạt được sự cải thiện 11,97% và 6,35% về IoU và F-measure trong việc phát hiện lỗi PCB. Chiến lược được đề xuất giúp cải thiện hiệu quả độ chính xác của việc phát hiện lỗi PCB dựa trên học sâu.