毕业项目推荐：基于深度学习的PCB板缺陷检测系统（python+卷积神经网络）

id="article_content" class="article_content clearfix"> id="content_views" class="markdown_views prism-atom-one-dark">

class="toc">

文章目录

往期经典回顾

class="table-box">
项目项目
基于yolov8的车牌检测识别系统基于yolov8/yolov5的钢铁缺陷检测系统
基于yolov8的人脸表情检测识别系统

概要

PCB缺陷检测在电子制造行业中发挥着关键作用，质量和效率，仍然为自动化生产提供了YOLOv8和YOLOv5深度学习框架的PCB缺陷检测PCB缺陷检测模型。断线、短路和焊点问题。另外，我们还开发用户友好的PCB缺陷检测系统，支持实时实时监测，并图形界面清晰显示检测结果。在本文中，我们将详细介绍如何利用深度学习中的YOLOv5算法来实现对PCB板缺陷的检测，并结合PyQt5设计了一个简约而强大的系统UI界面。通过该界面，您可以轻松选择自己的视频文件或图片文件进行检测，并且还能够根据需要替换训练好的yolov5模型，以适应不同的数据检测需求。

我们的系统界面不仅外观优美，而且具备出色的检测精度和强大的功能。它支持多目标实时检测，并允许您自由选择感兴趣的检测目标。

关键词：PCB板缺陷；目标检测；深度学习；特征融合；注意力机制；卷积神经网络

在这里插入图片描述

一、整体资源介绍

项目中所用到的算法模型和数据集等信息如下：

算法模型：
    yolov8、yolov8 + SE注意力机制 或 yolov5、yolov5 + SE注意力机制

数据集：
    网上下载的数据集，格式都已转好，可直接使用。

以上是本套代码算法的简单说明，添加注意力机制是本套系统的创新点 。

技术要点

  • OpenCV：主要用于实现各种图像处理和计算机视觉相关任务。
  • Python：采用这种编程语言，因其简洁易学且拥有大量丰富的资源和库支持。
  • 数据增强技术： 翻转、噪点、色域变换，mosaic等方式，提高模型的鲁棒性。

功能展示：

部分核心功能如下：

  • 功能1： 支持单张图片识别
  • 功能2： 支持遍历文件夹识别
  • 功能3： 支持识别视频文件
  • 功能4： 支持摄像头识别
  • 功能5： 支持结果文件导出（xls格式）
  • 功能6： 支持切换检测到的目标查看

功能1 支持单张图片识别

系统支持用户选择图片文件进行识别。通过点击图片选择按钮，用户可以选择需要检测的图片，并在界面上查看所有识别结果。该功能的界面展示如下图所示：
在这里插入图片描述

功能2 支持遍历文件夹识别

系统支持选择整个文件夹进行批量识别。用户选择文件夹后，系统会自动遍历其中的所有图片文件，并将识别结果实时更新显示在右下角的表格中。该功能的展示效果如下图所示：
在这里插入图片描述

功能3 支持识别视频文件

在许多情况下，我们需要识别视频中的目标。因此，系统设计了视频选择功能。用户点击视频按钮即可选择待检测的视频，系统将自动解析视频并逐帧识别多个目标，同时将识别结果记录在右下角的表格中。以下是该功能的展示效果：
在这里插入图片描述

功能4 支持摄像头识别

在许多场景下，我们需要通过摄像头实时识别目标。为此，系统提供了摄像头选择功能。用户点击摄像头按钮后，系统将自动调用摄像头并进行实时识别，识别结果会即时记录在右下角的表格中。
在这里插入图片描述

功能5 支持结果文件导出（xls格式）

本系统还添加了对识别结果的导出功能，方便后续查看，目前支持导出xls数据格式，功能展示如下：

在这里插入图片描述

功能6 支持切换检测到的目标查看

在这里插入图片描述

二、数据集

数据集总共包含下面6个类别，且已经分好 train、val、test文件夹，也提供转好的yolo格式的标注文件，可以直接使用。

missing_hole 				# 漏孔
mouse_bite  				# 鼠牙洞
open_circuit				# 开路
short       				# 短路
spur						# 毛刺
spurious_copper				# 杂铜
 class="hljs-button signin active" data-title="登录复制" data-report-click="{"spm":"1001.2101.3001.4334"}">
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

数据样式如下：
在这里插入图片描述

三、算法介绍

1. YOLOv8 概述

简介

YOLOv8算法的核心特性和改进如下：

  • 全新SOTA模型
    YOLOv8 提供了全新的最先进（SOTA）的模型，包括P5 640 和 P6 1280分辨率的目标检测网络，同时还推出了基于YOLACT的实例分割模型。与YOLOv5类似，它提供了N/S/M/L/X五种尺度的模型，以满足不同场景的需求。
  • Backbone
    骨干网络和Neck部分参考了YOLOv7 ELAN的设计思想。
    将YOLOv5的C3结构替换为梯度流更丰富的C2f结构。
    针对不同尺度的模型，调整了通道数，使其更适配各种任务需求。
    在这里插入图片描述
    网络结构如下：
    在这里插入图片描述

相比之前版本，YOLOv8对模型结构进行了精心微调，不再是“无脑”地将同一套参数应用于所有模型，从而大幅提升了模型性能。这种优化使得不同尺度的模型在面对多种场景时都能更好地适应。

然而，新引入的C2f模块虽然增强了梯度流，但其内部的Split等操作对特定硬件的部署可能不如之前的版本友好。在某些场景中，C2f模块的这些特性可能会影响模型的部署效率。

2. YOLOv5 概述

简介

YOLOV5有YOLOv5n，YOLOv5s，YOLOv5m，YOLOV5l、YOLO5x五个版本。这个模型的结构基本一样，不同的是deth_multiole模型深度和width_multiole模型宽度这两个参数。就和我们买衣服的尺码大小排序一样，YOLOV5n网络是YOLOV5系列中深度最小，特征图的宽度最小的网络。其他的三种都是在此基础上不断加深，不断加宽。不过最常用的一般都是yolov5s模型。

在这里插入图片描述
本系统采用了基于深度学习的目标检测算法——YOLOv5。作为YOLO系列算法中的较新版本，YOLOv5在检测的精度和速度上相较于YOLOv3和YOLOv4都有显著提升。它的核心理念是将目标检测问题转化为回归问题，简化了检测过程并提高了性能。

YOLOv5引入了一种名为SPP (Spatial Pyramid Pooling)的特征提取方法。SPP能够在不增加计算量的情况下，提取多尺度特征，从而显著提升检测效果。

在检测流程中，YOLOv5首先通过骨干网络对输入图像进行特征提取，生成一系列特征图。然后，对这些特征图进行处理，生成检测框和对应的类别概率分数，即每个检测框内物体的类别和其置信度。

YOLOv5的特征提取网络采用了CSPNet (Cross Stage Partial Network)结构。它将输入特征图分成两部分，一部分通过多层卷积处理，另一部分进行直接下采样，最后再将两部分特征图进行融合。这种设计增强了网络的非线性表达能力，使其更擅长处理复杂背景和多样化物体的检测任务。

在这里插入图片描述

🌟 四、模型训练步骤

  1. 使用pycharm打开代码，找到train.py打开，示例截图如下：
    在这里插入图片描述

  2. 修改 model_yaml 的值，根据自己的实际情况修改，想要训练 yolov8s模型 就 修改为 model_yaml = yaml_yolov8s， 训练 添加SE注意力机制的模型就修改为 model_yaml = yaml_yolov8_SE

  3. 修改data_path 数据集路径，我这里默认指定的是traindata.yaml 文件，如果训练我提供的数据，可以不用改

  4. 修改 model.train()中的参数，按照自己的需求和电脑硬件的情况更改

    # 文档中对参数有详细的说明
model.train(data=data_path,             # 数据集
            imgsz=640,                  # 训练图片大小
            epochs=200,                 # 训练的轮次
            batch=2,                    # 训练batch
            workers=0,                  # 加载数据线程数
            device='0',                 # 使用显卡
            optimizer='SGD',            # 优化器
            project='runs/train',       # 模型保存路径
            name=name,                  # 模型保存命名
            )
 class="hljs-button signin active" data-title="登录复制" data-report-click="{"spm":"1001.2101.3001.4334"}">

  • 修改traindata.yaml文件， 打开 traindata.yaml 文件，如下所示：
    在这里插入图片描述
    在这里，只需修改 path 的值，其他的都不用改动（仔细看上面的黄色字体），我提供的数据集默认都是到 yolo 文件夹，设置到 yolo 这一级即可，修改完后，返回 train.py 中，执行train.py。

  • 打开 train.py ，右键执行。
    在这里插入图片描述

  • 出现如下类似的界面代表开始训练了
    在这里插入图片描述

  • 训练完后的模型保存在runs/train文件夹下
    在这里插入图片描述

    • 🌟 五、模型评估步骤

    1. 打开val.py文件，如下图所示：
      在这里插入图片描述

    2. 修改 model_pt 的值，是自己想要评估的模型路径

    3. 修改 data_path ，根据自己的实际情况修改，具体如何修改，查看上方模型训练中的修改步骤

    4. 修改 model.val()中的参数，按照自己的需求和电脑硬件的情况更改

      model.val(data=data_path,           # 数据集路径
          imgsz=300,                # 图片大小，要和训练时一样
          batch=4,                  # batch
          workers=0,                # 加载数据线程数
          conf=0.001,               # 设置检测的最小置信度阈值。置信度低于此阈值的检测将被丢弃。
          iou=0.6,                  # 设置非最大抑制 (NMS) 的交叉重叠 (IoU) 阈值。有助于减少重复检测。
          device='0',               # 使用显卡
          project='runs/val',       # 保存路径
          name='exp',               # 保存命名
          )
 class="hljs-button signin active" data-title="登录复制" data-report-click="{"spm":"1001.2101.3001.4334"}">

  • 修改完后，即可执行程序，出现如下截图，代表成功（下图是示例，具体以自己的实际项目为准。）
    在这里插入图片描述

  • 评估后的文件全部保存在在 runs/val/exp... 文件夹下
    在这里插入图片描述

    • 🌟 六、训练结果

    我们每次训练后，会在 run/train 文件夹下出现一系列的文件，如下图所示：
    在这里插入图片描述
       如果大家对于上面生成的这些内容（confusion_matrix.png、results.png等）不清楚是什么意思，可以在我的知识库里查看这些指标的具体含义，示例截图如下：

    在这里插入图片描述

    🌟完整代码

       如果您希望获取博文中提到的所有实现相关的完整资源文件（包括测试图片、视频、Python脚本、UI文件、训练数据集、训练代码、界面代码等），这些文件已被全部打包。以下是完整资源包的截图：

    在这里插入图片描述

    您可以通过下方演示视频的视频简介部分进行获取，获取位置看下方图片文字：

    演示视频：
    基于深度学习的PCB板缺陷检测系统（v8）
    基于深度学习的PCB板缺陷检测系统（v5）

    data-report-view="{"mod":"1585297308_001","spm":"1001.2101.3001.6548","dest":"https://blog.csdn.net/weixin_71667732/article/details/143114656","extend1":"pc","ab":"new"}">>
    注：本文转载自blog.csdn.net的大学生毕业题目的文章"https://blog.csdn.net/weixin_71667732/article/details/143114656"。版权归原作者所有，此博客不拥有其著作权，亦不承担相应法律责任。如有侵权，请联系我们删除。
    复制链接
    复制链接
    相关推荐
    发表评论

    评论记录：

    未查询到任何数据！