基于yolov5的PCB缺陷检测

原创

已于 2023-05-26 15:10:03 修改 · 8k 阅读

标签

#YOLO #缺陷检测 #yolov5缺陷检测

于 2023-05-24 14:19:54 首次发布

文章介绍了基于图像识别技术，特别是使用YOLOv5模型，对印刷电路板(PCB)进行缺陷检测的方法。通过数据集构建、训练模型和性能评估，展示了该方法能提高检测效率，减少人力成本，并且通过模型训练和优化，实现了对多种缺陷类型的高精度检测。在100个训练周期后，mAP@0.5达到0.953，证明了方法的有效性。

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(