针对胶合板单板表面缺陷的复杂多样性和特征提取困难，且基于深度学习的缺陷检测算法参数量和计算成本较大，难以在算力较低的设备上得到有效应用等问题，构建一种基于改进YOLOv8的单板表面缺陷（活节、死节、孔洞、裂缝和缺口）检测模型。为提升模型的检测精度和轻量化性能，对胶合板单板表面缺陷检测模型进行改进。首先，采用新的高效注意力机制（coordinate attention,CA），该机制能够增强特征提取的精度和网络的空间信息感知能力，避免过多的计算负担；其次，提出一种基于部分卷积（PConv）的全新结构——CSPPC (CSP (cross stage partial) pyramid convolution)，提升计算效率和多尺度特征的融合能力；最后，引入改进的加权交并比损失函数——WIoUv3，提升模型的定位精度和鲁棒性。试验结果表明，改进后的YOLOv8模型（CP-YOLOv8）在胶合板单板表面缺陷检测任务中表现出色，模型的平均精度均值（mAP）达到93.8%，在原模型的基础上提升0.9%，改进模型浮点运算次数（GFLOPs）和参数量降低至7.2 G和2.58 M，分别降低0.9 G与0.42 M，能够充分满足实际应用需求，为胶合板单板质量检测提供一种高效、精准且轻量化的解决方案。