基于YOLOv8的PCB缺陷检测实现附完整代码

已于 2023-08-27 17:43:00 修改
阅读量575 收藏 5
点赞数 1
分类专栏： 目标检测YOLO系列详解，工程实现以及创新优化 文章标签： YOLO 深度学习 python
于 2023-08-27 17:40:02 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.csdn.net/crasher123/article/details/132525584
版权

1 数据集

发布了一个合成的PCB数据集，包含1386张图像，其中包含6种缺陷，用于检测、分类和注册任务的使用。此外，我们提出了一种基于参考的方法来检查并训练了一个端到端的卷积神经网络来对这些缺陷进行分类。与传统方法需要逐像素处理不同，我们的方法首先定位缺陷，然后通过神经网络对其进行分类，显示出在我们的数据集上具有优越的性能。

 标注了6种最常见的PCB缺陷：'missing_hole', 'mouse_bite', 'open_circuit', 'short', 'spur', 'spurious_copper'

 数据集下载链接如下：

了解本专栏 订阅专栏 解锁全文 超级会员免费看
强盛小灵通专卖员
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
订阅专栏
基于yolov7的PCB缺陷检测源码+训练好模型+配置文件+评估指标曲线.zip
01-09
基于yolov7的PCB缺陷检测源码+训练好模型+配置文件+评估指标曲线.zip 工业缺陷检测 检测缺陷类别为6类 ['missing_hole','mouse_bite','open_circuit','short','spur','spurious_copper'] 【模型介绍】 1.模型使用的是yolov7x.yaml训练 2.模型使用高性能显卡+高质量数据集训练迭代200次得到，识别检测效果和评估指标曲线都不错，实际项目所用，不需要二次训练或者微调，可用作课程实验作业、模型效果对比、毕业设计、课程设计等，请放心下载使用！
基于YOLOv8深度学习的PCB板缺陷检测系统【python源码+Pyqt5界面+数据集+训练代码】目标检测
阿旭的博客
11-29 6683
基于YOLOv8深度学习的PCB板缺陷检测系统【python源码+Pyqt5界面+数据集+训练代码】目标检测
基于深度学习的PCB板缺陷检测系统（含UI界面、yolov8、Python代码、数据集）
you 是 mine
01-04 1990
本文将详细介绍如何使用深度学习中的YOLOv8算法实现对车型的检测，且利用PyQt5设计了简约的系统UI界面。在界面中，您可以选择自己的视频文件、图片文件进行检测。此外，您还可以更换自己训练的yolov8模型，进行自己数据的检测。该系统界面优美，检测精度高，功能强大。它具备多目标实时检测，同时可以自由选择感兴趣的检测目标。本博文提供了完整的Python程序代码和使用教程，适合新入门的朋友参考。您可以在文末的下载链接中获取完整的代码资源文件。数据集总共包含下面6个类别，且已经分好文件夹，也提供转好的。
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 2372
PCB缺陷检测详细步骤版
基于YOLOv8模型和PCB电子线路板缺陷目标检测系统（PyTorch+Pyside6+YOLOv8模型）
sc1434404661的博客
08-20 1653
基于YOLOv8模型的PCB电子线路板瑕疵目标检测系统可用于日常生活中检测与定位电子线路板瑕疵，利用深度学习算法可实现图片、视频、摄像头等方式的目标检测识别，另外支持结果可视化与图片或视频检测结果的导出。
助力工业产品质检，基于YOLOv8开发构建智能PCB电路板质检分析系统
Together_CZ的博客
12-22 953
助力工业产品质检，基于YOLOv8开发构建智能PCB电路板质检分析系统
基于yolov5的PCB缺陷检测
liguiyuan的博客
05-24 4169
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。北京大学智能机器人开放实验室。
基于YOLOv5的PCB板缺陷检测
热门推荐
weixin_45679938的博客
07-16 2万+
基于YOLOV5的PCB版缺陷检测 一、数据集介绍 印刷电路板（PCB）瑕疵数据集：数据下载链接，是一个公共的合成PCB数据集，由北京大学发布，其中包含1386张图像以及6种缺陷（缺失孔，鼠标咬伤，开路，短路，杂散，伪铜），用于检测，分类和配准任务。选取其中445张图像进行了训练（下载了别人的）。 数据样本示例： 二、环境配置 1、github官网下载yolov5源码：https://github.com/ultralytics/yolov5 2、Anaconda安装（省略） 3、创建新的环境（pytho
PCB缺陷检测-使用YOLOv3算法实现PCB表面缺陷检测-基于DeepPCB数据集-优质项目分享.zip
04-21
PCB缺陷检测_使用YOLOv3算法实现PCB表面缺陷检测_基于DeepPCB数据集_优质项目分享
yolov5检测源码-pcb缺陷检测模型-使用说明
11-28
1、yolov5检测源码+pcb缺陷检测模型+使用说明 2、附有训练pr曲线、损失值曲线、召回率曲线、精确度曲线、mAP等评估指标曲线 3、迭代200次，模型拟合较好。
pyqt+yolov5+pcb缺陷检测
04-01
pyqt+yolov5+pcb缺陷检测，登入界面+支持图像视频检测整体为YoloV5的代码 ui文件夹中存放ui的py文件和原件，便于使用与更改 ui_img存放ui使用的图像文件 utils中添加了一个用户账户工具id_utils.py detect_logical.py是检测界面的逻辑代码 main_logic.py是主界面的逻辑代码 userinfo.csv存放用户账号id信息
PCB板缺陷检测系统源代码，基于yolov5-6.0自己的数据集+基于python的检测和C++的部署检测.zip
10-05
PCB板缺陷检测系统源代码，基于yolov5-6.0自己的数据集+基于python的检测和C++的部署检测.zip相关工作 （1）解压数据集，放在yolov5-6.0根目录下 （2）删除ImageSets文件夹下的内容，在/ImageSets文件夹下新建Main文件夹 （3）数据集分类，运行test.py（注意路径正确）。会在/ImageSets/Main文件夹下生成四个txt文件，trainval.txt、test.txt、train.txt、val.txt。 （4）在data文件夹下新建labels文件夹，然后在yolov5-6.0文件夹下新建my_labels.py文件，并运行（注意路径，注意数据集类别）。会在data文件夹下生成三个txt文件，train.txt、val.txt、test.txt。 （5）在models文件夹下新建文件my_pcb.yaml（注意修改类别数量nc） （6）在data文件夹下新建my_data.yaml（注意train和val路径、nc和数据类别名称names） （7）准备预训练文件yolov5s.pt，放在weights文件夹下。 （8）开始训练
基于HALCON的PCB划痕缺陷检测.zip
03-14
基于Halcon采用 傅里叶变换 结合 高斯滤波 的PCB板划痕缺陷检测
Mac YOLO V9推理测试
zhujiahui622的专栏
05-09 989
Mac YOLO V9本地推理测试
西红柿叶病害检测（yolov8模型，从图像、视频和摄像头三种路径识别检测，包含登陆页面、注册页面和检测页面）
qq_40840797的博客
05-08 243
西红柿叶病害检测（yolov8模型，从图像、视频和摄像头三种路径识别检测，包含登陆页面、注册页面和检测页面）
YoloV8改进策略：BackBone改进DCNv4
qq_53545309的博客
05-08 88
涨点效果：在我自己的数据集上，mAP50 由0.986涨到了0.993，mAP50-95由0.737涨到0.77，涨点明显！DCNv4是可变形卷积的第四版，速度和v3相比有了大幅度的提升，但是环境搭建有一定的难度，对新手不太友好。如果在使用过程遇到编译的问题，请严格按照我写的环境配置。
mamba复现—mamba+yolov8魔改（win）
最新发布
qq_43767886的博客
05-11 843
将Mamba结合到Yolov8架构中的方法，旨在展示其在目标检测任务中的潜力。通过结合Mamba的优势，Yolov8_MambaCBAM旨在改善长距离信息捕获和全局建模能力，以提高目标检测任务的性能...
注意力机制篇 | YOLOv8改进之在C2f模块添加ParNetAttention注意力机制
突然好想你
05-08 57
ParNetAttention旨在解决传统注意力机制在处理长序列时的效率问题，本文所做的改进是在C2f模块添加ParNetAttention注意力机制。🌈
基于yolov5PCB缺陷检测
07-27
基于yolov5的PCB缺陷检测是一种利用深度学习技术进行自动化视觉检测的方法。该方法引入了CVPR 2023 BiFormer：Vision Transformer with Bi-Level Routing Attention，以提升检测精度。PCB数据集中包含了六种常见的缺陷类型，分别是"missing_hole"、"mouse_bite"、"open_circuit"、"short"、"spur"和"spurious_copper"。这些缺陷属于小目标缺陷检测范畴。PCB缺陷检测在电子产业中非常重要，因为产品的外观缺陷直接关系到企业的发展。利用深度学习技术，可以对PCB图像进行分析，提高自动化视觉检测的准确度和图像判读能力，并对缺陷进行分类。智能系统可以根据不同产品的不同缺陷标准进行灵活应对。\[1\]\[2\]\[3\] #### 引用[.reference_title] - *1* [基于yolov5的PCB缺陷检测](https://blog.csdn.net/u012505617/article/details/130844232)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* *3* [基于yolov5的PCB缺陷检测，引入CVPR 2023 BiFormer：Vision Transformer with Bi-Level Routing Attention...](https://blog.csdn.net/m0_63774211/article/details/129715988)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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
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