基于yolov5的PCB缺陷检测_北京大学pcb数据集

1.简述

基于图像识别技术实现自动印刷电路板（PCB）缺陷检测，具有高效、准确、可靠、自动化程度高和可扩展性强等优点，大大提高了检测效率，节省了人力成本。传统的检测方法通常需要大量的人力和时间，并且容易受到环境、工人技能和疲劳等因素的影响，而基于图像识别的缺陷检测方法可以实现自动化的缺陷检测，无需人工干预，提高了生产效率。

此外，图像识别技术可以通过不断的学习和训练，不断完善自身的识别能力，适应更多的缺陷类型，具有很强的可扩展性。

2.数据集介绍

使用北京大学公开的PCB数据集，包含1386张图像，具有6种缺陷类型分别为：漏孔、鼠咬、开路、短路、杂散、杂铜。 下载地址：北京大学智能机器人开放实验室

3.数据集构建

先把数据集划分为train, val ，处理代码 split_train_val.py如下：

# -*- coding: utf-8 -*-
import os
import random
import argparse
 
parser = argparse.ArgumentParser()
 
#xml文件的地址，根据自己的数据进行修改 xml一般存放在Annotations下
parser.add_argument('--xml_path', default='Annotations', type=str, help='input xml label path')
 
#数据集的划分，地址选择自己数据下的ImageSets/Main
parser.add_argument('--txt_path', default='ImageSets/Main', type=str, help='output txt label path')
 
opt = parser.parse_args()
 
trainval_percent = 0.9
train_percent = 0.8
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
    os.makedirs(txtsavepath)
 
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
 
file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')
 
for i in list_index:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        file_trainval.write(name)
        if i in train:
            file_train.write(name)
        else:
            file_val.write(name)
    else:
        file_test.write(name)
 
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()
 

然后再把VOC的标签格式转换为yolov5的格式，代码如下：

# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd
 
sets = ['train', 'val']
classes = ["missing_hole","mouse_bite","open_circuit","short","spur","spurious_copper"]  # 改成自己的类别
abs_path = os.getcwd()
print(abs_path)
 
 
def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return x, y, w, h
 
 
def conver_annotation(image_id):
    in_file = open('Annotations/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        #difficult = obj.find('Difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        b1, b2, b3, b4 = b
 
        # 标注越界修正
        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
 
 
wd = getcwd()
for image_set in sets:
    if not os.path.exists('labels/'):
        os.makedirs('labels/')
    image_ids = open('ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
    list_file = open('%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write(abs_path + '/images/%s.jpg\n' % (image_id))
        conver_annotation(image_id)
    list_file.close()
 

4.模型训练

（1）创建数据集配置文件

在 yolov5/data/ 目录下创建自己的数据集配置文件 pcb.yaml，内容如下，nc表示类别为6个分类

# PCB data
 
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
train: ./data/PCB_DATASET/train.txt
val: ./data/PCB_DATASET/val.txt
 
nc: 6  # number of classes
 
names: ['missing_hole', 'mouse_bite', 'open_circuit', 'short', 'spur', 'spurious_copper']

（2）创建模型文件

在 yolov5/models/ 目录下，拷贝一个版本模型作为自己的模型，这里我使用yolov5s，然后把文件中的类别数改为6即可：

cp yolov5s.yaml yolov5s_pcb.yaml

# Parameters
nc: 6  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

（3）模型训练

执行以下命令进行训练：

python train.py --img 640 --batch 16 --epochs 100 --data ./data/pcb.yaml --weights yolov5s.pt

经过100 epochs的训练，效果如下：

mAP@0.5 达到了0.953，效果还是不错的。

（4）实测验证效果

 

 

---

参考：

基于yolov5的PCB缺陷检测，引入CVPR 2023 BiFormer：Vision Transformer with Bi-Level Routing Attention提升检测精度_pcb数据集_AI小怪兽的博客-CSDN博客