前言

YOLO模型思想简述：YOLO (You Only Look Once) 是属于目标检测中的one-stage方法，主要的思想是通过将原始的图像划分为 ppp ×\times× ppp 大小的网格grid，每个网格假设为目标的中心，后面再通过偏置回归进行学习调整。每个目标中心设定有2（YOLOv1）或9个（YOLOv2后）一定长宽比例的先验框根据中心位置对目标进行整体的定位。最后输出的特征一般大小为 ppp ×\times× ppp，深度信息（channels）包含了对目标的回归坐标 (w, h, x, y)、预测类别和置信度 (confident)
（例如：在coco数据集中输出预测的9个比例的回归框的情况下，每个grid输出的特征数为：80 + (4 + 1) ×\times× 9 = 125个）。

本博文主要使用YOLOv5算法对PCB版上的缺陷进行检测。

1 环境配置

首先使用git clone的方式或者直接访问网址下载项目文件夹的方式对项目文件进行下载解，YOLOv5项目对应网址如下：

git clone https://github.com/ultralytics/yolov5.git

然后在yolov5-master文件夹下，运行配置环境命令：

cd yolov5-master
pip install -r requirements.txt   # pip方式安装（任选其一）
conda install --yes --file requirements.txt  # conda方式安装（任选其一）

如果没有安装必要的包，在后面训练的时候会报错并提示。

2 数据集（根据VOC数据集格式）设置

假设在根目录的abc文件夹（/abc/）下配置以下文件目录：

|--datasets|--PCBDatasets|   |--Annotations(数据集所有的xml格式标签)|   |  --xxx.xml|   |  ......|   |--images(数据集所有的jpg格式图像)|   |  --xxx.jpg|   |  ......|   |--ImageSets|   |  |--Main|   |     |--trian.txt|   |     |--trianval.txt|   |     |--val.txt|   |     |--test.txt|   |--labels(数据集所有由xml转换为yolo格式的标签文件，需生成)|   |  --xxx.txt|   |  ......|   |--trian.txt(含训练集样本路径，需生成)|   |--val.txt(含验证集样本路径，需生成)|   |--test.txt(含测试集样本路径，需生成)|
|--yolov5-master

数据集文件目录图如下：

图 1 数据集文件目录图

在该文件夹下，需先运行xml2yolo.py将xml格式的标签文件转换为在labels路径下的yolo格式的标签文件，然后，运行split_data.py划分数据集，生成对应训练集、验证集和测试集对应的路径txt文件，至此，数据集的制作过程完毕，接下来对项目的文件进行配置。

xml2yolo.py

import xml.etree.ElementTree as ET
import pickle
import osfrom os import listdir, getcwd
from os.path import joinsets = ["train", "val", "test"]
classes = ["open", "short", "mousebite", "spur", "copper", "pin-hole"]# normalize
def convert(size, box):# size: (w, h), box: (xmin, xmax, ymin, ymax)dw = 1. / size[0]   # 1/wdh = 1. / size[1]   # 1/hx = (box[0] + box[1]) / 2.0  # 获取物体在图中心点的x坐标y = (box[2] + box[3]) / 2.0  # 获取物体在图中心点的y坐标w = box[1] - box[0]          # 获取物体实际像素的宽度h = box[3] - box[2]          # 获取物体实际像素的高度x = x * dw                # 获取物体中心点x的坐标比(x / w)w = w * dw                # 获取物体宽度的宽度比(w / w)y = y * dh                # 获取物体中心点y的坐标比(y / h)h = h * dh                # 获取物体高度的高度比(h / h)return (x, y, w, h)         # 返回 相对于原图的物体中心点的x坐标比,y坐标比,宽度比,高度比,取值范围[0-1]def convert_annotation(img_id):"""将xml文件转换为对应的yolo文件格式 对xml文件进行解析和归一化操作 保存到yolo格式的txt文件文件格式: class x y w h 一个图像可能对应多个类别 一张图像的bounding框至少有一个"""in_file = open("./Annotations/%s.xml" % img_id, encoding="utf-8")out_file = open("./labels/%s.txt" % img_id, "w", encoding="utf-8")# 解析xml文件tree = ET.parse(in_file)# 获得对应的键值对root = tree.getroot()# 获取图片的尺寸大小size = root.find("size")# 如果xml内的标记为空 增加判断条件if size != None:# get widthw = int(size.find("width").text)# get heighth = int(size.find("height").text)# 遍历objectfor obj in root.iter("object"):difficult = obj.find("difficult").textcls = obj.find("name").textif cls not in classes or int(difficult) == 1:continue# 通过类别名称找到id   string -> indexcls_id = classes.index(cls)# 找到bndbox对象xmlbox = obj.find("bndbox")# 获取对应的bndbox的数组 = ['xmin','xmax','ymin','ymax']b = (float(xmlbox.find("xmin").text), float(xmlbox.find("xmax").text),float(xmlbox.find("ymin").text), float(xmlbox.find("ymax").text))print(img_id, cls, b)# 带入进行归一化操作# w = width, h = heighr， b = bndbox的数组 = ['xmin','xmax','ymin','ymax']bb = convert((w, h), b)# bb 对应的是归一化后的(x, y, w, h)# 生成 cls x y w h 在label文件中out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + "\n")# 返回当前工作目录
wd = getcwd()
print(wd)
# 对所有文件数据进行遍历 将全路径写入到对应的txt文件中
# 对所有的图片文件进行解析和转化 将其对应的boundingbox和类别信息全都写入label文件夹下
for img_set in sets:if not os.path.exists("./labels/"):os.makedirs("./labels/")# 读取imageSets/Main中trian, test 等文件内容 包含对应文件名称img_ids = open("./ImageSets/Main/%s.txt" % img_set).read().strip().split()list_file = open("./%s.txt" % img_set, "w")# 写入文件对应的id以及全路径+换行for img_id in img_ids:list_file.write(wd + "/images/%s.jpg\n"% img_id)convert_annotation(img_id)list_file.close()

split_data.py

import os
import randomROOT = "/abc/datasets/PCBDatasets/data/image/"  # 注意要改
trainval_percent = 0.9
train_percent = 0.9
xml_filepath = "./Annotations/"
total_xml = os.listdir(xml_filepath)num = len(total_xml)
lis = range(num)
tv_num = int(num * trainval_percent)
tr_num = int(tv_num * train_percent)
trainval = random.sample(lis, tv_num)
train = random.sample(trainval, tr_num)root = "./ImageSets/Main/"
ftrainval = open(root + "trainval.txt", "w")
ftest = open(root + "test.txt", "w")
ftrain = open(root + "train.txt", "w")
fval = open(root + "val.txt", "w")for i in lis:name = total_xml[i][:-4] + "\n"if i in trainval:ftrainval.write(name)if i in train:ftrain.write(name)else:fval.write(name)else:ftest.write(name)ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

3 训练PCB数据集

在/Evern/yolov5-master/data/文件夹下添加PCB数据集对应的yaml文件，这里取名为PCBDetect.yaml，文件中包含内容如下：

train: /abc/datasets/PCBDatasets/train.txt
val: /abc/datasets/PCBDatasets/val.txt
test: /abc/datasets/PCBDatasets/test.txtnc: 6names: ['copper', 'mousebite', 'open', 'pin-hole', 'short', 'spur']

修改模型对应的yaml文件，文件路径为：/abc/yolov5-master/models/yolov5x.yaml，在这个文件中主要修改nc这个值，改为任务对应的类别数量。

# Parameters
nc: 6  # number of classes
depth_multiple: 1.33  # model depth multiple
width_multiple: 1.25  # 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

运行代码：

python train.py --data PCBDetect.yaml --weights "yolov5x.pt" --cfg yolov5x.yaml --img 640 --epochs 300

如果需要下载对应的权重，可以在以下几个链接中下载对应的权重文件:

yolov5n: https://github.com/ultralytics/yolov5/releases/download/v6.1/yolov5n.pt

yolov5s: https://github.com/ultralytics/yolov5/releases/download/v6.1/yolov5s.pt

yolov5m: https://github.com/ultralytics/yolov5/releases/download/v6.1/yolov5m.pt

yolov5l: https://github.com/ultralytics/yolov5/releases/download/v6.1/yolov5l.pt

yolov5x: https://github.com/ultralytics/yolov5/releases/download/v6.1/yolov5x.pt

4 测试

测试结果展示

在YOLOv5x上测试的结果如下：

图 2 YOLOv5x验证结果图

图 3 YOLOv5x训练阶段PR曲线图

图 3 YOLOv5x训练阶段混淆矩阵

图 4 真实标签图

图 5 YOLOv5x预测结果图

YOLOv5 实践之PCB缺陷检测相关推荐

基于yolov5的PCB缺陷检测
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 ...
论文研究 | 基于机器视觉的 PCB 缺陷检测算法研究现状及展望
前面分享了机器视觉在汽车行业与交通行业的应用,其实机器视觉在工业上的应用是最广泛也是最具挑战性的,其中PCB板缺陷检测一直是机器视觉待攻克的难题.印刷电路板(PCB)是电子零件的基板,需求量极大,承载 ...
基于OPENCV和图像减法的PCB缺陷检测
基于OPENCV和图像减法的PCB缺陷检测原文地址:PCB defect detection USING OPENCV with image subtraction method Abstract ...
PCB缺陷检测—TDD-net论文笔记随笔
目录 0.简介 1.介绍 2.相关工作 2.1参照方法 2.2非参照方法 2.3混合方式 3.faster R-CNN的概述 4.TDD-net 4.1合理的anchors设计和数据增强 4.2多尺度 ...
基于YOLOv5的输电线路绝缘子缺陷检测项目
目录 1 项目背景 2 图像数据集介绍 3 模型训练部分 4 模型性能测试 1 项目背景随着输电网络规模不断增大,输电线路巡检任务日益加重,实现输电线路的高效率巡检已刻不容缓.传统的巡检技术较为落 ...
传统方法的pcb缺陷检测
本文转载自新机器视觉,文章仅用于学术分享. 基于统计分类的方法: (1)基于KNN方法(最近邻法):利用相似度,找出k个训练样本,然后打分,按得分值排序. (2)基于Naive Bayes算法:计算概 ...
基于Yolov5的玻璃瓶盖缺陷检测
1.数据集介绍缺陷类型:cap 数据集数量:125张数据集:https://download.csdn.net/download/m0_63774211/87741211 1.1 通过spli ...
Halcon:PCB缺陷检测
图像处理结果: 主要思想: *Blob+差分+特征 Blob:使用灰度值的开运算图像A,使用灰度值的闭运算图像B 差分:A-75>B,选择其中暗的,A+75<B,选择其中亮的特征:可以再 ...
探索工业智能检测，基于轻量级YOLOv5s开发构建焊接缺陷检测识别系统
前面也有讲过将智能模型应用和工业等领域结合起来是有不错市场前景的,比如:布匹瑕疵检测.瓷砖瑕疵检测.PCB缺陷检测等等,在工业领域内也有很多可为的方向,本文的核心目的就是想要基于目标检测模型来开发构建 ...

YOLOv5 实践之PCB缺陷检测

前言