基于深度学习的PCB板缺陷检测系统（含UI界面、yolov5、Python代码、数据集）

news2024/11/25 3:07:36

在这里插入图片描述

在这里插入图片描述

项目介绍

项目中所用到的算法模型和数据集等信息如下：

算法模型：
    yolov5

    yolov5主要包含以下几种创新：
        1. 添加注意力机制（SE、CBAM、CA等）
        2. 修改可变形卷积（DySnake-主干c3替换、DySnake-所有c3替换）

数据集：
    网上下载的数据集，详细介绍见数据集介绍部分。

以上是本套代码的整体算法架构和对目标检测模型的修改说明，这些模型修改可以为您的 毕设、作业等提供创新点和增强模型性能的功能 。

如果要是需要更换其他的检测模型，请私信。

注：本项目提供所用到的所有资源，包含 环境安装包、训练代码、测试代码、数据集、视频文件、 界面UI文件等。

项目简介

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。

本博文提供了完整的Python程序代码和使用教程，非常适合新入门者参考学习。您可以通过文末的下载链接获取完整的代码资源文件。以下是本博文的目录大致内容：

目录

  • 项目介绍
  • 项目简介
  • 效果展示：
  • 🌟一、环境安装
  • 🌟二、数据集介绍
  • 🌟三、 目标检测介绍
    • yolov5相关介绍
      • 1. YOLOv5的网络结构
  • 四、 yolov5训练步骤
    • 五、 yolov5评估步骤
    • 六、 训练结果
  • 🌟下载链接

效果展示：

功能：
1. 支持单张图片识别
2. 支持遍历文件夹识别
3. 支持识别视频文件
4. 支持结果导出（xls、csv两种格式）
5. 支持切换检测到的目标

🌟一、环境安装

本项目提供所有需要的环境安装包（python、pycharm、cuda、torch等），可以直接按照视频讲解进行安装。具体的安装流程见此视频：视频链接
环境安装视频是以车牌项目为例进行讲解的，但是可以适用于任何项目。

视频快进到 3:18 - 21:17，这段时间讲解的是环境安装，可直接快进到此处观看。
在这里插入图片描述

环境安装包可通过百度网盘下载：
链接：https://pan.baidu.com/s/17SZHeVZrpXsi513D-6KmQw?pwd=a0gi
提取码：a0gi
–来自百度网盘超级会员V6的分享

上面这个方法，是比较便捷的安装方式（省去了安装细节），按照我的视频步骤和提供的安装包安装即可，如果要是想要多学一点东西，可以按照下面的安装方式走一遍，会更加熟悉。

环境安装方法2:
追求快速安装环境的，只看上面即可！！！

下面列出了5个步骤，是完全从0开始安装（可以理解为是一台新电脑，没有任何环境），如果某些步骤已经安装过的可以跳过。下面的安装步骤带有详细的视频讲解和参考博客，一步一步来即可。另外视频中讲解的安装方法是通用的，可用于任何项目。

  1. python环境安装：B站视频讲解
  2. cuda、cudnn安装：B站视频讲解
  3. torch安装： B站视频讲解
  4. pycharm安装： B站视频讲解
  5. 第三方依赖包安装： B站视频讲解

按照上面的步骤安装完环境后，就可以直接运行程序，看到效果了。

🌟二、数据集介绍

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、 目标检测介绍

yolov5相关介绍

1. YOLOv5的网络结构

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，该算法是YOLO系列算法的较新版本，相比于YOLOv3和YOLOv4，YOLOv5在检测精度和速度上都有很大的提升。YOLOv5算法的核心思想是将目标检测问题转化为一个回归问题。此外，YOLOv5还引入了一种称为SPP(Spatial Pyramid Pooling)的特征提取方法，这种方法可以在不增加计算量的情况下，有效地提取多尺度特征，提高检测性能。

  在YOLOv5中，首先将输入图像通过骨干网络进行特征提取，得到一系列特征图。然后，通过对这些特征图进行处理，将其转化为一组检测框和相应的类别概率分数，即每个检测框所属的物体类别以及该物体的置信度。YOLOv5中的特征提取网络使用CSPNet(Cross Stage Partial Network)结构，它将输入特征图分为两部分，一部分通过一系列卷积层进行处理，另一部分直接进行下采样，最后将这两部分特征图进行融合。这种设计使得网络具有更强的非线性表达能力，可以更好地处理目标检测任务中的复杂背景和多样化物体。

在这里插入图片描述

  在YOLOv5中，每个检测框由其左上角坐标(x,y)、宽度(w)、高度(h)和置信度(confidence)组成。同时，每个检测框还会预测C个类别的概率得分，即分类得分(ci)，每个类别的得分之和等于1。因此，每个检测框最终被表示为一个(C+5)维的向量。在训练阶段，YOLOv5使用交叉熵损失函数来优化模型。损失函数由定位损失、置信度损失和分类损失三部分组成，其中定位损失和置信度损失采用了Focal Loss和IoU Loss等优化方法，能够有效地缓解正负样本不平衡和目标尺寸变化等问题。

  YOLOv5网络结构是由Input、Backbone、Neck、Prediction组成。Yolov5的Input部分是网络的输入端，采用Mosaic数据增强方式，对输入数据随机裁剪，然后进行拼接。Backbone是Yolov5提取特征的网络部分，特征提取能力直接影响整个网络性能。YOLOv5的Backbone相比于之前Yolov4提出了新的Focus结构。Focus结构是将图片进行切片操作，将W（宽）、H（高）信息转移到了通道空间中，使得在没有丢失任何信息的情况下，进行了2倍下采样操作。

四、 yolov5训练步骤

此代码的训练步骤极其简单，不需要修改代码，直接通过cmd就可以命令运行，命令都已写好，直接复制即可，命令如下图：
在这里插入图片描述
下面这条命令是 训练 添加 CBAM 注意力机制的命令，复制下来，直接就可以运行，看到训练效果（**需要将coco_NEU-DET.yaml修改为自己的数据集的yaml文件 **）。

python ./train.py --epochs 500 --cfg models/yolov5s-CBAM-2.yaml --hyp data/hyps/hyp.scratch-low.yaml --data data/coco_NEU-DET.yaml --weight weights/yolov5s.pt --workers 4 --batch 16

执行完上述命令后，即可完成训练，训练过程如下：
在这里插入图片描述

下面是对命令中各个参数的详细解释说明：

  • python: 这是Python解释器的命令行执行器，用于执行后续的Python脚本。

  • ./train.py: 这是要执行的Python脚本文件的路径和名称，它是用于训练目标检测模型的脚本。

  • --epochs 500: 这是训练的总轮数（epochs），指定为500，表示训练将运行500个轮次。

  • --cfg models/yolov5s-CBAM-2.yaml: 这是YOLOv5模型的配置文件的路径和名称，它指定了模型的结构和参数设置。

  • --hyp data/hyps/hyp.scratch-low.yaml: 这是超参数文件的路径和名称，它包含了训练过程中的各种超参数设置，如学习率、权重衰减等。

  • --data data/coco_NEU-DET.yaml: 这是数据集的配置文件的路径和名称，它指定了训练数据集的相关信息，如类别标签、图像路径等。

  • --weight weights/yolov5s.pt: 这是预训练权重文件的路径和名称，用于加载已经训练好的模型权重以便继续训练或进行迁移学习。

  • --workers 4: 这是用于数据加载的工作进程数，指定为4，表示使用4个工作进程来加速数据加载。

  • --batch 16: 这是每个批次的样本数，指定为16，表示每个训练批次将包含16个样本。

通过运行上面这个命令，您将使用YOLOv5模型对目标检测任务进行训练，训练500个轮次，使用指定的配置文件、超参数文件、数据集配置文件和预训练权重。同时，使用4个工作进程来加速数据加载，并且每个训练批次包含16个样本。

五、 yolov5评估步骤

评估步骤同训练步骤一样，执行1行语句即可，注意--weights需要变为自己想要测试的模型路径，VOC_PCB.yaml替换为自己的数据集的yaml文件。

python ./val.py --data  data/VOC_PCB.yaml --weights ../weights/yolov5s.yaml/weights/best.pt

评估结果如下：
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

🌟下载链接

   该代码采用Pycharm+Python3.8开发，经过测试能成功运行，运行界面的主程序为main.py，提供用到的所有程序。为确保程序顺利运行，请按照requirements.txt配置Python依赖包的版本。Python版本：3.8，为避免出现运行报错，请勿使用其他版本，详见requirements.txt文件；

    若您想获得博文中涉及的实现完整全部程序文件（包括训练代码、测试代码、训练数据、测试数据、视频，py、 UI文件等，如下图），这里已打包上传至博主的面包多平台，可通过下方项目讲解链接中的视频简介部分下载，完整文件截图如下：
在这里插入图片描述

项目讲解链接：B站

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1366626.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

【现代密码学】笔记2 -- 完善保密性《introduction to modern cryphtography》现代密码学原理与协议

【现代密码学】笔记2 -- 完善保密性《introduction to modern cryphtography》现代密码学原理与协议

【现代密码学】笔记2--完善保密性《introduction to modern cryphtography》 写在最前面2 完善保密性的介绍2.1 定义和基本属性加密方案的组成密钥产生算法 (Gen)加密算法 (Enc)解密算法 (Dec)概率分布独立性 完美保密加密3. 回顾加密词法4. 完美保密（**Perfect Sec…
阅读更多...
【书生·浦语大模型实战营03】《基于 InternLM 和 LangChain 搭建你的知识库》学习笔记

【书生·浦语大模型实战营03】《基于 InternLM 和 LangChain 搭建你的知识库》学习笔记

《基于 InternLM 和 LangChain 搭建你的知识库》 常见术语 RAG: Retrieval Augmented Generation，检索增强生成 1. 大模型开发范式 1.1 RAG VS Finetune RAGFinetune低成本可个性化微调可实时更新知识覆盖面广受基座模型影响大成本高昂单次回答知识有限无法实时…
阅读更多...
Maven之多环境配置与应用

Maven之多环境配置与应用

多环境配置与应用 1. 多环境配置作用 maven提供配置多种环境的设定&#xff0c;帮助开发者使用过程中快速切换环境 2. 多环境配置步骤 2.1 定义多环境 <!--定义多环境--> <profiles><!--定义具体的环境&#xff1a;生产环境--><profile><!--定义…
阅读更多...
Spring——Spring的事务控制（1）基础篇

Spring——Spring的事务控制（1）基础篇

Spring事务控制 1.事务介绍 1.1.什么是事务&#xff1f; 当你需要一次执行多条SQL语句时&#xff0c;可以使用事务。通俗一点说&#xff0c;如果这几条SQL语句全部执行成功&#xff0c;则才对数据库进行一次更新&#xff0c;如果有一条SQL语句执行失败&#xff0c;则这几条S…
阅读更多...
短视频矩阵系统+无人直播源码+视频批量分发----开发实践

短视频矩阵系统+无人直播源码+视频批量分发----开发实践

核心技术 1. AI自动直播&#xff1a; 智能系统通过丰富可定制的文案库&#xff0c; 拥有有料有趣的灵魂。不仅能自动语音讲解内容&#xff0c;还可以在直播中和用户灵活互动。直播中可将团购商品同话术自动上下架。 2. AI剪辑 可一键智能批量成片&#xff0c;也可跟着模板剪…
阅读更多...
寒假前端第一次作业

寒假前端第一次作业

1、用户注册&#xff1a; <!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"><meta name"viewport" content"widthdevice-width, initial-scale1.0"><title>用户注册</title> …
阅读更多...
红日靶场 4

红日靶场 4

靶场配置 ​ 733 x 668899 x 819 ​ ​ 733 x 6161466 x 1232 ​ ​ 733 x 6261449 x 1237 ​ ​ 733 x 6301450 x 1247 ​ IP 地址分配&#xff1a; Win7: 192.168.183.133(内网)Ubuntu: 192.168.183.134(内网) 192.168.120.137(外网)DC: 192.168.183.130(内网)Kali…
阅读更多...
并发（6）

并发（6）

目录 36.什么是CAS&#xff1f; 37.CAS使用示例&#xff0c;结合AtomicInteger给出示例&#xff1f; 38.CAS会有哪些问题&#xff1f; 39.AtomicInteger底层实现&#xff1f; 40.请阐述你对Unsafe类的理解&#xff1f; 36.什么是CAS&#xff1f; CAS的全称为Compare&#…
阅读更多...
QT DAY1作业

QT DAY1作业

1.QQ登录界面 头文件代码 #ifndef MYWIDGET_H #define MYWIDGET_H#include <QWidget> #include <QIcon> #include <QLabel> #include <QPushButton> #include <QMovie> #include <QLineEdit>class MyWidget : public QWidget {Q_OBJECTpu…
阅读更多...
LLM之LangChain（一）| LangChain六大核心模块简要汇总

LLM之LangChain（一）| LangChain六大核心模块简要汇总

声明&#xff1a;本文主要内容来自以下书籍《LangChain入门指南&#xff1a;构建高可复用、可扩展的LLM应用程序》和LangChain官网&#xff0c;非常感谢作者的贡献&#xff0c;由于作者有版权限制&#xff0c;因此在这里声明&#xff0c;如果涉及侵权&#xff0c;请联系我删除此…
阅读更多...
java 创建一个可执行的jar包小程序

java 创建一个可执行的jar包小程序

第1步&#xff1a;写好代码 public class Main {public static void main(String[] args) {String str "hahah";if (StringUtils.isBlank(str)) {System.out.println(str);}System.out.println("Hello world!");} }第2步&#xff1a;设置 Artifact 选择入…
阅读更多...
HTTPS网站被攻击的原理，网站被攻击应该如何进行防护吗，新手必知

HTTPS网站被攻击的原理，网站被攻击应该如何进行防护吗，新手必知

网站是通过独特的一个端口来进行加密传输&#xff0c;防止传输中的内容被窃取&#xff0c;一般用HTTPS协议做网站的&#xff0c;一般是大型网站&#xff0c;以及支付网站&#xff0c;用户数据比较重要的一些网站&#xff0c;证书要单独购买&#xff0c;HTTPS超文本传输安全协议…
阅读更多...
无人地磅系统|内蒙古中兴首创无人地磅和远程高效管理的突破

无人地磅系统|内蒙古中兴首创无人地磅和远程高效管理的突破

走进标杆企业&#xff0c;感受名企力量&#xff0c;探寻学习优秀企业领先之道。 本期要跟砼行们推介的标杆企业是内蒙古赤峰市砼行业的龙头企业&#xff1a;赤峰中兴首创混凝土搅拌有限责任公司&#xff08;以下简称为中兴首创&#xff09;。 中兴首创成立于2011年初&#xff…
阅读更多...
OpenFeign学习思维导图

OpenFeign学习思维导图

参考&#xff1a; 1、OpenFeign如何为FeignClient生成动态代理类 2、Feign底层原理分析-自动装载&动态代理 3、FactoryBean和普通Bean的区别
阅读更多...
gephi——graphviz插件设置

gephi——graphviz插件设置

gephi_graphviz插件设置 以下是我总结出来的一点经验 1. 安装graphviz软件&#xff0c;请见作者其他博客 2. 安装gephi 插件&#xff0c;并激活 3. 运行graphviz布局&#xff0c;会遇到找不到dot问题 问题描述&#xff1a;Graphviz process error X There was an error launc…
阅读更多...
Wi-Fi 6 超值畅享｜乐鑫发布 ESP32-C61 SoC

Wi-Fi 6 超值畅享｜乐鑫发布 ESP32-C61 SoC

乐鑫信息科技 (688018.SH) 宣布推出全新的 Wi-Fi 6 Bluetooth 5 (LE) SoC ESP32-C61。这款芯片作为 ESP32-C 系列的新成员&#xff0c;旨在满足对 Wi-Fi 6 技术不断增长的市场需求。ESP32-C61 在继承 ESP32-C2 和 ESP32-C3 成功经验的基础上&#xff0c;显著优化了外设、强化了…
阅读更多...
使用flet创建todo应用

使用flet创建todo应用

使用 Flet 在 Python 中创建待办事项应用 Create To-Do app in Python with Flet 翻译官网教程https://flet.dev/docs/tutorials/python-todo&#xff0c;对一些地方进行了注释和修改。 安装flet Python版本需要3.8及以上&#xff0c;使用pip安装&#xff1a; pip install…
阅读更多...
怎么批量在文件名前面加编号？

怎么批量在文件名前面加编号？

怎么批量在文件名前面加编号&#xff1f;我们时常需要给文件的名称进行编号&#xff0c;通过给文件名进行编号&#xff0c;可以使文件按照编号的顺序进行排序&#xff0c;方便进行查找和整理。特别是在处理大量文件时&#xff0c;编号可以提供一种有序的方式来组织文件&#xf…
阅读更多...
【redis】Redis中的字典类型：数据结构与使用方法

【redis】Redis中的字典类型：数据结构与使用方法

文章目录 Redis中的字典类型&#xff1a;数据结构与使用方法简介如何提高哈希表性能如何使用 Redis中的字典类型&#xff1a;数据结构与使用方法 简介 Redis中的字典类型的底层实现是哈希表&#xff08;Hash Table&#xff09;。 Redis的字典使用哈希表作为底层实现&#xf…
阅读更多...
软件测试|MySQL主键约束详解：保障数据完整性与性能优化

软件测试|MySQL主键约束详解：保障数据完整性与性能优化

简介 主键&#xff08;PRIMARY KEY&#xff09;的完整称呼是“主键约束”&#xff0c;是 MySQL 中使用最为频繁的约束。一般情况下&#xff0c;为了便于 DBMS 更快的查找到表中的记录&#xff0c;都会在表中设置一个主键。 MySQL是一种广泛使用的开源关系型数据库管理系统&am…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023