基于深度学习的PCB缺陷检测系统演示与介绍

视频演示

基于深度学习的PCB缺陷检测系统演示与介绍
1. 前言

在电子制造领域，印刷电路板（PCB）的质量直接决定了电子产品的可靠性与性能。传统PCB缺陷检测（如短路、断路、漏孔等）多依赖人工目检，存在效率低、易漏检、主观性强等问题。随着智能制造的发展，基于深度学习的目标检测技术为PCB质量管控提供了新的解决方案。
本项目基于先进的YOLO系列算法（包括YOLOv5、v8、v11、v12），开发了一套高效、准确的PCB缺陷智能检测系统。系统支持对图像、视频、批量图片以及实时摄像头画面进行多模态检测，能够快速识别并定位各类常见缺陷，并具备结果统计、类别筛选、详情查看等交互功能。同时，系统集成了用户管理、模型切换、自主训练等模块，形成了一套从数据到检测的完整工作流。
本系统的实现，旨在为PCB生产质量检测提供一种自动化、智能化的辅助工具，有效提升检测效率与一致性，对推进工业质检智能化具有积极的实践意义。
2. 项目演示

2.1 用户登录界面

登录界面布局简洁清晰，左侧展示系统主题，用户需输入用户名、密码及验证码完成身份验证后登录系统。

2.2 新用户注册

注册时可自定义用户名与密码，支持上传个人头像；如未上传，系统将自动使用默认头像完成账号创建。

2.3 主界面布局

主界面采用三栏结构，左侧为功能操作区，中间用于展示检测画面，右侧呈现目标详细信息，布局合理，交互流畅。

2.4 个人信息管理

用户可在此模块中修改密码或更换头像，个人信息支持随时更新与保存。

2.5 多模态检测展示

系统支持图片、视频及摄像头实时画面的目标检测。识别结果将在画面中标注显示，并在下方列表中逐项列出。点击具体目标可查看其类别、置信度及位置坐标等详细信息。

2.6 多模型切换

系统内置多种已训练模型，用户可根据实际需求灵活切换，以适应不同检测场景或对比识别效果。

3.模型训练核心代码

本脚本是YOLO模型批量训练工具，可自动修正数据集路径为绝对路径，从pretrained文件夹加载预训练模型，按设定参数（100轮/640尺寸/批次8）一键批量训练YOLOv5nu/v8n/v11n/v12n模型。

1. # -*- coding: utf-8 -*- """ 该脚本用于执行YOLO模型的训练。 它会自动处理以下任务： 1. 动态修改数据集配置文件 (data.yaml)，将相对路径更新为绝对路径，以确保训练时能正确找到数据。 2. 从 'pretrained' 文件夹加载指定的预训练模型。 3. 使用预设的参数（如epochs, imgsz, batch）启动训练过程。 要开始训练，只需直接运行此脚本。 """ import os import yaml from pathlib import Path from ultralytics import YOLO def main(): """ 主训练函数。 该函数负责执行YOLO模型的训练流程，包括： 1. 配置预训练模型。 2. 动态修改数据集的YAML配置文件，确保路径为绝对路径。 3. 加载预训练模型。 4. 使用指定参数开始训练。 """ # --- 1. 配置模型和路径 --- # 要训练的模型列表 models_to_train = [ {'name': 'yolov5nu.pt', 'train_name': 'train_yolov5nu'}, {'name': 'yolov8n.pt', 'train_name': 'train_yolov8n'}, {'name': 'yolo11n.pt', 'train_name': 'train_yolo11n'}, {'name': 'yolo12n.pt', 'train_name': 'train_yolo12n'} ] # 获取当前工作目录的绝对路径，以避免相对路径带来的问题 current_dir = os.path.abspath(os.getcwd()) # --- 2. 动态配置数据集YAML文件 --- # 构建数据集yaml文件的绝对路径 data_yaml_path = os.path.join(current_dir, 'train_data', 'data.yaml') # 读取原始yaml文件内容 with open(data_yaml_path, 'r', encoding='utf-8') as f: data_config = yaml.safe_load(f) # 将yaml文件中的 'path' 字段修改为数据集目录的绝对路径 # 这是为了确保ultralytics库能正确定位到训练、验证和测试集 data_config['path'] = os.path.join(current_dir, 'train_data') # 将修改后的配置写回yaml文件 with open(data_yaml_path, 'w', encoding='utf-8') as f: yaml.dump(data_config, f, default_flow_style=False, allow_unicode=True) # --- 3. 循环训练每个模型 --- for model_info in models_to_train: model_name = model_info['name'] train_name = model_info['train_name'] print(f"\n{'='*60}") print(f"开始训练模型: {model_name}") print(f"训练名称: {train_name}") print(f"{'='*60}") # 构建预训练模型的完整路径 pretrained_model_path = os.path.join(current_dir, 'pretrained', model_name) if not os.path.exists(pretrained_model_path): print(f"警告: 预训练模型文件不存在: {pretrained_model_path}") print(f"跳过模型 {model_name} 的训练") continue try: # 加载指定的预训练模型 model = YOLO(pretrained_model_path) # --- 4. 开始训练 --- print(f"开始训练 {model_name}...") # 调用train方法开始训练 model.train( data=data_yaml_path, # 数据集配置文件 epochs=100, # 训练轮次 imgsz=640, # 输入图像尺寸 batch=8, # 每批次的图像数量 name=train_name, # 模型名称 ) print(f"{model_name} 训练完成！") except Exception as e: print(f"训练 {model_name} 时出现错误: {str(e)}") print(f"跳过模型 {model_name}，继续训练下一个模型") continue print(f"\n{'='*60}") print("所有模型训练完成！") print(f"{'='*60}") if __name__ == "__main__": # 当该脚本被直接执行时，调用main函数 main()

复制代码

4. 技术栈

• 语言：Python 3.10
  
• 前端界面：PyQt5
  
• 数据库：SQLite（存储用户信息）
  
• 模型：YOLOv5、YOLOv8、YOLOv11、YOLOv12
  

5. YOLO模型对比与识别效果解析

5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比

基于Ultralytics官方COCO数据集训练结果：

模型	尺寸(像素)	mAPval 50-95	速度(CPU ONNX/毫秒)	参数(M)	FLOPs(B)
YOLO12n	640	40.6	-	2.6	6.5
YOLO11n	640	39.5	56.1 ± 0.8	2.6	6.5
YOLOv8n	640	37.3	80.4	3.2	8.7
YOLOv5nu	640	34.3	73.6	2.6	7.7

关键结论：

• 精度最高：YOLO12n（mAP 40.6%），显著领先其他模型（较YOLOv5nu高约6.3个百分点）；
  
• 速度最优：YOLO11n（CPU推理56.1ms），比YOLOv8n快42%，适合实时轻量部署；
  
• 效率均衡：YOLO12n/YOLO11n/YOLOv8n/YOLOv5nu参数量均为2.6M，FLOPs较低（YOLO12n/11n仅6.5B）；YOLOv8n参数量（3.2M）与计算量（8.7B）最高，但精度优势不明显。
  

综合推荐：

• 追求高精度：优先选YOLO12n（精度与效率兼顾）；
  
• 需高速低耗：选YOLO11n（速度最快且精度接近YOLO12n）；
  
• YOLOv5nu/YOLOv8n因性能劣势，无特殊需求时不建议首选。
  

5.2 数据集分析


数据集中训练集和验证集一共大概22000多张，数据集目标类别6类：漏孔、破孔、开路、短路、毛刺、残铜。数据集配置代码如下：

1. names: - missing_hole - mouse_bite - open_circuit - short - spur - spurious_copper nc: 6 path: D:\project\python\01Finished\yolo_PCB_detect\train_data test: ../test/images train: ../train/images val: ../valid/images

复制代码

上面的图片就是部分样本集训练中经过数据增强后的效果标注。
5.3 训练结果


 
混淆矩阵显示中识别精准度是，missing_hole（漏孔）：100%，mouse_bite（破孔）：100%，open_circuit（开路）：99%，short（短路）：99%，spur（毛刺）：98%，spurious_copper（残铜）：99%，识别精准度非常高。

F1指数（F1 Score）是统计学和机器学习中用于评估分类模型性能的核心指标，综合了模型的精确率（Precision）和召回率（Recall），通过调和平均数平衡两者的表现。 
当置信度为0.283时，所有类别的综合F1值达到了0.98（蓝色曲线）。

mAP@0.5：是目标检测任务中常用的评估指标，表示在交并比（IoU）阈值为0.5时计算的平均精度均值（mAP）。其核心含义是：只有当预测框与真实框的重叠面积（IoU）≥50%时，才认为检测结果正确。
图中可以看到综合mAP@0.5达到了0.991（99.1%），准确率非常高。
6. 源码获取方式

源码获取方式：https://www.bilibili.com/video/BV1NbkDBREED
​

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！