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）

已于 2025-04-10 17:43:53 修改
阅读量2.5k 收藏 41
点赞数 33
分类专栏： 毕业项目 文章标签： 深度学习 python cnn YOLO opencv 人工智能 开发语言
于 2024-11-28 18:35:50 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/weixin_71667732/article/details/143114656
版权

文章目录

往期经典回顾

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

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
            )

  5. 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。

  6. 打开 train.py ，右键执行。
    在这里插入图片描述

  7. 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

  8. 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
          )

  5. 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

  6. 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）

基于深度学习YOLOv11的PCB板缺陷检测系统
m0_52343631的博客
02-22 542
随着电子行业的快速发展，印刷电路板（PCB）作为电子设备的核心组件，其质量直接影响到整个设备的性能和可靠性。传统的PCB缺陷检测方法主要依赖于人工视觉检查，这种方法不仅效率低下，而且容易受到人为因素的影响。近年来，深度学习技术在计算机视觉领域取得了显著进展，尤其是目标检测算法如YOLO（You Only Look Once）系列，为自动化缺陷检测提供了新的解决方案。
基于深度学习的农作物害虫检测系统：基于YOLO的完整实现（含UI界面、训练与推理代码）
m0_52343631的博客
03-22 562
近年来，随着深度学习技术的快速发展，基于卷积神经网络（CNN）的目标检测算法在图像识别和分类中表现出了强大的优势。本项目将基于YOLO系列模型（YOLOv5/v6/v7/v8）构建一个农作物害虫检测系统，搭建一个完整的UI界面，支持摄像头实时检测，展示检测结果及统计信息，并对系统的训练、测试和推理过程进行完整的代码实现。农业生产是国民经济的重要组成部分，农作物害虫的侵害一直是农业生产中面临的主要难题之一。害虫的存在不仅会造成直接的产量损失，还可能引发作物病害，导致农业生产效率下降。
基于深度学习的PCB缺陷检测研究.pdf
07-25
基于深度学习的PCB缺陷检测研究.pdf
基于深度学习的PCB板缺陷检测(源码+万字报告+讲解)
qq_40828705的博客
02-02 702
目录 摘要 2 Abstract 3 第一章 绪论 5 1.1研究背景及意义 5 1.2 PCB缺陷检测国内外研究现状 9 1.2.1 国外研究现状 9 1.2.2国内研究现状 10 1.3 研究内容和预期目标 12 1.3.1 研究内容 12 1.3.2 预期目标 12 第二章 PCB裸板缺陷检测与深度学习 13 2.1 PCB裸板缺陷检测概述 13 2.1.1 PCB生产过程 13 2.1.2 PCB缺陷的定义和分类 13 2.1.3传统检测方式 14 2. 2人工神经网络 15 2.2.1神经元 16
基于深度学习的PCB电路板缺陷检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）
最新发布
sybh的博客
04-14 1159
本项目基于YOLOv8目标检测算法开发了一套高效的PCB电路板缺陷检测系统，专门用于识别和分类印刷电路板(PCB)上的六类常见制造缺陷。系统针对的缺陷类型包括：漏孔(missing_hole)、鼠咬痕(mouse_bite)、开路(open_circuit)、短路(short)、毛刺(spur)和杂铜(spurious_copper)。项目通过深度学习技术实现了对PCB缺陷的自动化检测。该系统能够显著提高PCB质量检测的效率和准确性，降低人工检测成本，为电子制造业的质量控制提供了智能化解决方案。
【超详细】基于YOLOv8的PCB缺陷检测
热门推荐
weixin_45679938的博客
05-16 1万+
印刷电路板（PCB）瑕疵数据集：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。本文我们选取了其中适用与检测任务的693张图像，随机选择593张图像作为训练集，100张图像作为验证集。
基于深度学习的农作物病虫害识别系统
qq_42135426的博客
12-30 1万+
基于深度学习的农作物病虫害识别系统
【毕业设计选题】基于深度学习的PCB缺陷识别系统 YOLO python 目标检测
毕设帮助,疑难解答,欢迎打扰!
12-25 1140
毕业设计-基于深度学习的PCB（Printed Circuit Board，印刷电路板）缺陷识别检测系统的毕业设计。PCB作为电子设备的重要组成部分，在制造过程中可能会出现各种缺陷，这些缺陷可能会导致电路的不稳定性和性能下降。为了解决这一问题，本设计采用了深度学习算法，结合大规模的PCB图像数据集进行训练和学习，以实现对PCB缺陷的自动识别和检测。通过构建卷积神经网络模型，并进行适当的数据预处理和数据增强，系统能够准确地识别出PCB图像中的各种缺陷，如焊点缺陷、线路断开、短路等。
基于深度学习的植物疾病检测识别系统
Python极客之家
08-02 2217
本项目基于迁移学习策略，以VGG卷积神经网络为 base 模型，利用 TensorFlow、Keras 等工具构建面向植物疾病监测的卷积神经网络，通过模型训练、验证测试，预测准确率达到90%。利用 Flask、Bootstrap等框架搭建交互分析平台，用户通过上传植物叶片图像，实现疾病的在线诊断。该系统不仅可以提高病害检测的效率和准确性，还可以为农民提供及时有效的防治建议，从而减少农作物损失。
基于深度学习YOLOv8\YOLOv5+PySide6的花卉识别鲜花识别检测分类系统
叶绿体不忘呼吸
06-01 3519
在花卉识别研究中，一个精心设计的数据集是训练精确AI模型的基石。我们创建了一个包含10513张花卉图片的数据集，旨在推动该领域的技术发展。该数据集分为训练集、验证集和测试集，分别为9131张、919张和463张，确保模型在多样化数据上的训练和独立数据上的验证。每张图片都经过了严格的预处理，包括方向校正、去除EXIF信息、统一分辨率调整至640x640像素，并应用自适应均衡化技术增强对比度，以突出花卉特征，优化模型学习效果。
基于深度学习YOLOv10的PCB板缺陷检测系统（附完整资源+PySide6界面+训练代码）
sybh的博客
02-17 808
YOLO（You Only Look Once）是一种高效的目标检测算法。YOLOv10是YOLO系列的最新版本，基于YOLOv4和YOLOv5的技术创新，采用了更先进的技术架构。速度快：YOLO算法通过一次前向传播就可以得到检测结果，避免了传统目标检测方法中需要多次计算的复杂性，特别适用于实时检测任务。精度高：YOLOv10采用了改进的卷积神经网络架构，尤其是在处理小物体和复杂背景时，有了明显的精度提升。开源和易用。
基于深度学习的垃圾分类系统
07-07
本次实验训练了多个用于垃圾图片分类识别的模型，采用迁移学习的方法选取性能较好的模型进行调优改进，最终的模型识别准确率在93%以上（30个epoch)；然后将训练好的模型部署在华为云上，生成API接口进行调用；最后设计了一个可视化程序调用API接口来进行展示，方便用户使用。
基于深度学习的垃圾分类系统.pdf
08-18
基于深度学习的垃圾分类系统.pdf
印刷电路板母版微小缺陷检测_Python缺陷检测_pcb板检测_python_瑕疵_微小缺陷检测
09-11
为了实现微小缺陷检测，项目可能采用了深度学习模型，如卷积神经网络（CNN）。CNN在图像识别任务中表现出色，能自动从大量图像数据中学习特征，用于识别PCB缺陷。训练过程可能包括数据预处理、模型构建、训练和验证...
基于深度学习的PCB板缺陷检测与识别系统：YOLOv8 + UI界面 + 数据集实现
m0_52343631的博客
11-29 912
本文详细介绍了基于YOLOv8的PCB板缺陷检测与识别系统的设计与实现过程。通过YOLOv8模型的训练与推理，我们能够自动化地检测PCB板上的各类缺陷，显著提高生产过程中的质量控制水平。此外，通过PyQt5开发的UI界面，使得系统具备了用户交互功能，极大地提高了操作的便捷性。未来，我们可以继续优化模型和系统，扩展更多功能，如实时监控与检测、多类型缺陷分类等，从而进一步提升PCB生产的自动化水平和检测精度。
基于YOLOv8深度学习的PCB板缺陷检测系统：UI界面+YOLOv8+数据集
m0_52343631的博客
10-21 1007
YOLO（You Only Look Once）系列模型是目标检测领域中最为流行的算法之一，其主要特点是将目标检测问题转换为回归问题，能够在单次网络前向传播中同时输出目标的分类和定位信息。YOLOv8是YOLO家族的最新版本，它在YOLOv5的基础上进行了进一步的优化，提升了模型的精度与速度。YOLOv8结合了自适应锚框、焦点损失等先进技术，使其在各种目标检测任务中表现优异。本项目成功实现了基于YOLOv8的PCB板缺陷检测系统。
基于深度学习的PCB板缺陷检测系统：完整UI界面 + YOLOv8/v7/v6/v5实现 + 训练数据集
m0_52343631的博客
03-24 374
因此，PCB缺陷检测是电子制造行业的重要环节。YOLO（You Only Look Once）系列模型在目标检测任务中表现优异，具有检测速度快、准确率高的特点，特别适合于PCB板缺陷检测任务。本研究构建了一个基于YOLO系列模型的PCB缺陷检测系统，支持多种YOLO模型，具备UI界面和实时检测功能。YOLO系列模型是目标检测领域的代表性模型，从最初的YOLOv1到最新的YOLOv8，经历了多次迭代与改进。：来自深圳大学的PCB缺陷数据集，包含1.5万张高分辨率PCB缺陷图像。
基于YOLOv8/YOLOv7/YOLOv6/YOLOv5的农作物害虫检测系统（深度学习模型+UI界面+训练数据集）
思绪无限的博客
03-12 1万+
介绍了运用深度学习的农作物害虫检测系统，提供完整的实现代码见文末。该系统基于强大的YOLOv8算法，并对比了YOLOv7、YOLOv6、YOLOv5，分析其性能指标，如mAP、F1 Score等。深入解释了YOLOv8的原理，提供相应的Python代码、训练数据集，集成了PySide6的UI界面，以及基于SQLite数据库的登录注册界面。系统能够精准检测农作物害虫，支持图片、图片文件夹、视频文件及摄像头检测，包含热力图或柱状图分析、标记框类别、类别统计、可调Conf、IOU参数和结果可视化等功能。
基于YOLOv8深度学习的水稻害虫检测与识别系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战
阿旭的博客
12-14 1万+
基于YOLOv8深度学习的水稻害虫检测与识别系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战
姜源，付波基于改进YOLOv8n的PCB缺陷检测算法
01-14
### 基于改进YOLOv8n的PCB缺陷检测算法的研究与实现 #### 背景介绍 印刷电路板（PCB）的质量直接影响电子产品的性能和可靠性。随着电子产品的小型化趋势加剧，传统的人工目视检查方法已难以满足高效、精准的要求。因此，利用计算机视觉技术自动识别PCB上的微小瑕疵成为研究热点之一。 #### 改进YOLOv8n模型概述 YOLO系列目标检测框架因其速度快而被广泛应用于工业领域中的实时监测任务中。最新版本YOLOv8引入了一系列优化措施以提升精度及速度表现。然而，在面对复杂背景下的细粒度物体分类时仍存在一定局限性。为此，研究人员提出了针对PCB表面缺陷特征提取能力增强的技术方案： - **多尺度输入层设计**：考虑到不同类型的缺陷可能存在于多种尺寸范围内，采用多尺度图像金字塔结构作为网络前端能够有效捕捉到更多层次的信息[^1]。 - **注意力机制融合模块**：为了突出重要区域并抑制无关干扰因素的影响，在骨干网内部嵌入通道注意单元(CA) 和空间注意单元(SA)，使得模型更加关注潜在的目标位置及其周围环境变化情况[^2]。 - **自适应锚框调整策略**：根据训练集统计得到各类别平均宽高比例分布规律动态设定初始先验框参数值；同时结合K-means++聚类算法进一步细化候选边界框形状匹配程度，从而提高最终预测结果准确性[^3]。 #### 数据预处理流程说明 高质量的数据集构建是保障整个项目成功的关键环节。具体做法如下： - 对原始采集回来的照片按照一定规则裁剪成固定大小子图； - 应用随机水平翻转、旋转缩放等方式扩充样本数量； - 使用标签编辑器标注每张图片内所有可见缺陷的具体坐标范围以及所属类别名称； - 将上述信息整理保存为符合VOC格式的标准XML文件形式以便后续读取解析使用。 #### 训练验证评估指标体系建立 在整个实验过程中需严格遵循科学严谨的态度来进行各项测试活动。主要考量以下几个方面： - 平均精确率均值 (mAP@0.5): 衡量整体定位效果好坏的重要标准之一; - 查准率(Precision)/召回率(Recall): 反映正负样本区分度高低的有效手段 ; - 推理耗时时长(Inference Time): 关系着实际应用场景下能否达到预期响应效率要求 。 通过对比分析未加修饰的基础版YOLOv8n与其他同类先进算法之间的差异之处，证明所提改进措施确实有助于改善原有不足，并且能够在一定程度上促进该方向未来的发展进程。 ```python import torch from yolov8 import YOLOv8, MultiScaleInputLayer, AttentionFusionModule, AdaptiveAnchorAdjustment def train_model(data_loader, epochs=100): device = 'cuda' if torch.cuda.is_available() else 'cpu' model = YOLOv8( input_layer=MultiScaleInputLayer(), attention_module=AttentionFusionModule(), anchor_adjuster=AdaptiveAnchorAdjustment() ).to(device) optimizer = torch.optim.Adam(model.parameters(), lr=1e-4) criterion = ... for epoch in range(epochs): ... ```
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
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