基于YOLOv9的PCB板缺陷检测

已于 2024-06-30 22:33:44 修改
阅读量811 收藏 4
点赞数 3
CC 4.0 BY-SA版权
分类专栏： YOLO目标检测应用 文章标签： 机器学习 人工智能 YOLO
于 2024-06-30 22:25:02 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_43415275/article/details/140087720

数据集

PCB缺陷检测，我们直接采用北京大学智能机器人开放实验室数据提供的数据集，

共六类缺陷 漏孔、鼠咬、开路、短路、杂散、杂铜

已经对数据进行了数据增强处理，同时按照YOLO格式配置好，数据内容如下

image-20240630220044369

image-20240630220056074

模型训练

​ 采用YOLOv9模型进行训练，官方代码

首先是划分数据集，分为训练集、验证集、测试集，按照8：1：1的比例，我已经划分好

image-20240630220903949

之后修改数据集配置文件： 需要修改数据集路径以及各个类别对应的名称

image-20240630220935893

之后修改训练代码中的配置：

主要修改数据集路径与预训练模型路径，我用的是yolov9-c.pt

image-20240630221110706

训练效果

这些都是模型训练产生的结果，被放在了runs\train\exp 文件下

image-20240630221316460

图像用户界面

网上可以可到很多开源界面，我这里提供了一个，放在了文件夹中

完整项目链接

https://mbd.pub/o/bread/ZpebmJpq

基于PaddleDetection的电路板瑕疵检测
qq_42301955的博客
06-18 2056
cascade rcnn 检测电路板的缺陷
YOLO5~PCB板缺陷检测
whaosoft143ai的博客
06-05 3342
使用的DeepPCB缺陷数据集中的所有图像都是从线性扫描CCD获得的，分辨率约为每1毫米48个像素，以上述方式从采样图像中手动检查测试图像的原始大小约为16k x 16k像素， 然后将它们裁剪成许多大小为640 x 640的子图像，共1500张图片，DeepPCB数据集中的部分图片如下图所示。PCB面板数据集自己去找对于测试图像中的每个缺陷，我们使用轴对齐的边界框和一个类ID。如上所示，我们标注了六种常见的PCB缺陷类型：open、short、mousebite、spur、pin-hole、spur。
Tiny-YOLOv3缺陷检测项目实战
最新发布
weixin_33375360的博客
06-16 653
YOLO（You Only Look Once）是一种流行的实时对象检测系统，它将对象检测任务视为一个单一的回归问题。这种独特的单阶段检测方法，区别于传统的目标检测算法，使得YOLO在速度和精度上取得了良好的平衡。YOLO模型自2015年首次发布以来，不断演化，至今已经发展到YOLOv5和YOLOv6等最新版本，每一版都在速度、准确性和模型大小方面进行优化。在目标检测领域，常见的损失函数包括：均方误差（MSE）损失：常用于回归任务，它计算预测值与真实值之间的平方差。
YOLOv5实战之输电线路绝缘子缺陷检测识别
热门推荐
qq_40716944的博客
10-29 1万+
本教程主要是利用YOLOv5算法实现对输电线路绝缘子缺陷进行检测识别。通过无人机搭载相机头云台对输电线路上的绝缘子进行数据采集，挑选出绝缘子上有故障的图片数据，共2000张左右图片，输电线路绝缘子缺陷数据集中的部分图片如下图所示。​​对收集到的2000张左右绝缘子缺陷数据集进行数据标注， 标注了3种常见的绝缘子缺陷类型：insulator、damaged、Flashover，利用LabelImg标注软件对数据进行标注，对标注后的数据进行统计，3种缺陷的标签分布情况如下图所示。​
基于YOLO-V3（Darknet框架）的缺陷检测
Crazy_Happy的博客
04-24 2458
1.前言 YOLO-V3是在速度和准确率之间tradeoff。在缺陷检测中，YOLO-V3算法也是非常常见且取得非常好效果的一种。 2.YOLO-V3算法 YOLO-V3（论文：https://arxiv.org/abs/1804.02767）是在YOLO-V1和YOLO-V2的基础上改进的，主要改进是1）利用多尺度特征进行对象检测； 2）更好的基础分类网络（如ResNet）和分类器 ...
深度学习YOLOv5 3D打印缺陷检测系统，YOLOv5 3D打印缺陷识别检测，YOLOv5训练自己的3D打印缺陷数据集，深度学习3D打印缺陷识别
sybh的博客
12-19 785
随着3D打印技术在制造业、医疗和航空航天等领域的广泛应用，其质量控制成为影响产品性能和安全性的关键因素。传统的缺陷检测方法通常依赖于人为经验或特定的检测设备，存在效率低、成本高和检测精度受限的问题。为此，本文提出了一种基于YOLOv5的3D打印缺陷检测系统，通过深度学习模型实现对3D打印表面缺陷的实时、高效、精准检测。系统能够识别多种常见缺陷类型，如裂纹、孔洞、翘曲、材料分层等，适用于多种打印材料（如塑料、金属）。该系统结合先进的目标检测算法，优化了多场景下的缺陷检测流程，为智能化制造提供了可靠的质量保障。
【YOLO 系列】基于YOLO V8的PCB缺陷检测识别系统【python源码+Pyqt5界面+数据集+训练代码】
牧子川的博客
05-19 3800
随着电子产品在各个领域的广泛应用，印刷电路板（PCB）作为电子设备的基础组件，其质量和可靠性变得至关重要。然而，由于制造过程中的复杂性和人为因素的介入，PCB常常会出现各种缺陷，如漏孔、老鼠咬痕、断路、短路、尖角和虚铜等问题。这些缺陷可能导致产品性能下降、故障甚至损坏，对产品质量和生产效率造成严重影响。为了提高PCB制造过程中的缺陷检测效率和准确性，我们展开了这个项目，旨在利用先进的深度学习技术构建一种自动化的PCB缺陷检测系统。
＜项目代码＞YOLOv8 pcb板缺陷检测＜目标检测＞
11-04
YOLOv8在pcb板缺陷检测领域的应用是深度学习技术发展的一个重要里程碑。YOLO系列算法作为目标检测领域的一支强大力量，以其快速准确的特性，被广泛应用于工业视觉检测系统中，而pcb板缺陷检测是工业视觉检测中的一个...
基于yolov10的PCB电路板缺陷检测源码.zip
09-07
基于yolov10的PCB电路板缺陷检测源码.zip基于yolov10的PCB电路板缺陷检测源码.zip基于yolov10的PCB电路板缺陷检测源码.zip基于yolov10的PCB电路板缺陷检测源码.zip基于yolov10的PCB电路板缺陷检测源码.zip基于yolov...
基于改进YOLOv8的PCB板缺陷检测研究
04-25
针对PCB传统缺陷检测方法过程中的成本高、效率低、漏检率高，并且常见PCB缺陷微小，检测精度低等问题，提出一种基于改进YOLOv8的深度学习检测方法。1) 引进ASF-YOLO网络，并且在此基础上添加小目标检测层；2) 在主干...
【大作业-23】 使用yolov9进行PCB电路板缺陷检测.zip
10-05
本大作业项目利用了YOLOv9算法进行PCB电路板缺陷检测的研究和实现。在这一项目中，研究人员首先准备了大量标注好的PCB电路板缺陷数据集。这些数据集包含了正常PCB电路板图像以及带有各种缺陷（如划痕、缺口、短路、...
PCB板缺陷检测数据集（北京大学693数据增强，6930）
02-04
PCB板缺陷检测数据集（北京大学693数据增强，6930）
目标检测+PCB检测+原始的 693张PCB 数据集+缺陷检测+北京大学制作
04-14
1.对原始的 PCB 数据集及缺陷进行检测，发现训练 300 轮次之后，会导致训练过程的过拟合，原因在于原始的 PCB 数据集过少，只有693张。 2.对于一般的目标检测而言，数据集至少应该是千位数甚至上万，可能效果会比较少的数据集更好。 3.所以在对原始的数据集进行了 SRGAN 的数据增强，将数据集从 693 张扩充到 10688 张。 4.上传的是原始的693张PCB数据集，有图片和标签，全部一一对应，来自于北京大学团队制作，并不是自己扩充之后的10688张数据集。 5.可以对任意数据集进行扩充，如果需要定做，私信我，或者私信找我要10688张数据集，付费咨询。 6.超级分辨率生成对抗网络(Super Resolution Generative Adversarial Networks， SRGAN)是一种用于提升图像分辨率的深度学习算法。SRGAN 可用于提高印刷电路 板图像的分辨率，从而实现更准确的分析和设计。使深度学习模型更容易准确地检测 缺陷。
基于YOLO实践布匹缺陷检测
Together_CZ的博客
01-04 3598
基于YOLO实践布匹缺陷检测
基于yolov5的PCB板缺陷检测（附有详细步骤通俗易懂版）
qq_54783066的博客
01-08 5476
PCB缺陷检测详细步骤版
基于YOLOv7的芯片表面缺陷检测系统（源码＆教程）
m0_74241524的博客
11-04 3494
基于YOLOv7的芯片表面缺陷检测系统（源码＆教程）
【YOLOv8实时产品缺陷检测】
qq_38203551的博客
10-07 1149
本项目是应用YOLOv8框架实现训练自定义模型实现单一零件的缺陷检测，软件界面由PyQt5实现。yolov8视觉框架动态检测产品缺陷。功能已正式使用，识别效果达到预期。迈德威视相机使用线程。
YOLO 进行缺陷检测并保存检测结果
Darker的博客
11-23 1507
该文档介绍了如何基于YOLO模型实现缺陷检测的完整流程。内容包括环境准备、依赖安装、代码实现、运行步骤以及结果查看等。
基于yolov10的电梯电瓶车，电动车检测系统，支持图像、视频和摄像实时检测【pytorch框架、python源码】
lanbo_ai的博客
09-21 1237
基于yolov10的电梯电瓶车，电动车检测系统是在pytorch框架下实现的，这是一个完整的项目，包括代码，数据集，训练好的模型权重，模型训练记录，ui界面等。ui界面由pyqt5设计实现。超详细的pycharm+anaconda搭建python虚拟环境-优快云博客​该项目可以使用已经训练好的模型权重，也可以自己重新训练，自己训练也比较简单：第一步：修改data/data.yaml中的数据集路径第二步：模型训练，即运行train.py文件第三步：模型验证，当模型训练完后，运行val.py文件。
基于YOLOv11的PCB板缺陷检测
03-20
### 使用YOLOv11进行PCB板缺陷检测的方法 尽管当前主流讨论的是YOLOv8及其应用，但可以通过类比YOLOv8的技术框架来推测YOLOv11可能的实现方式。以下是关于如何使用YOLOv11进行PCB板缺陷检测的具体方法： #### 1. 数据准备 为了训练模型，需要构建一个高质量的数据集。数据集应包含标注好的PCB图像，其中每张图像都需标记出缺陷的位置和类别。 - **数据收集**：可以从公开资源获取PCB缺陷数据集[^2]，例如`PCB Dataset Defect Object Detection Dataset by Object Detection DT`[^1]。 - **数据标注**：确保数据按照YOLO格式进行标注，即每一行表示一个边界框，格式如下： ``` class_id center_x center_y width height ``` #### 2. 安装依赖库 在开始之前，需要安装必要的Python库并更新到最新版本。 ```bash pip install --upgrade ultralytics ``` 此命令会自动下载最新的Ultralytics库，假设其支持YOLOv11，则可以直接用于后续操作。 #### 3. 配置数据集YAML文件 创建一个`.yaml`配置文件以定义数据结构。该文件通常包括以下几个部分： ```yaml train: ../datasets/train/images/ val: ../datasets/valid/images/ nc: 6 names: ['missing_hole', 'mouse_bite', 'open_circuit', 'short', 'spurious_copper', 'pinhole'] ``` 上述示例展示了六个常见类型的PCB缺陷名称列表[^3]。 #### 4. 训练模型 利用预处理完成的数据集启动训练过程。以下是一个简单的脚本实例： ```python from ultralytics import YOLO model = YOLO('yolov11.pt') # 加载YOLOv11权重 results = model.train(data='path/to/data.yaml', epochs=100, imgsz=640) ``` 注意这里假定存在名为`yolov11.pt`的基础模型权重文件；如果尚未发布官方版，可以尝试迁移自其他版本（如YOLOv8）作为初始参数。 #### 5. 测试与评估 完成训练后，应对测试集运行预测功能，并分析性能指标如mAP、Precision、Recall等。 ```python metrics = model.val() print(metrics) ``` 最后还可以导出最佳表现模型以便部署至实际应用场景中去。 --- ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

怀逸同学

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值