基于YOLOv5算法的PCB板上缺陷檢測識別方案

一、數據集介紹

本教程主要是利用YOLOv5算法實現對PCB板上的缺陷進行檢測識別。使用的DeepPCB缺陷數據集中的所有圖像都是從線性掃描CCD獲得的，分辨率約為每1毫米48個像素，以上述方式從采樣圖像中手動檢查

測試圖像的原始大小約為16k x 16k像素， 然后將它們裁剪成許多大小為640 x 640的子圖像，共1500張圖片，DeepPCB數據集中的部分圖片如下圖所示。

對于測試圖像中的每個缺陷，我們使用軸對齊的邊界框和一個類ID。如上所示，我們標注了六種常見的PCB缺陷類型：open、short、mousebite、spur、pin-hole、spur。?

由于實際測試圖像中只有少數缺陷，我們根據 PCB 缺陷模式在每個測試圖像上手動論證一些人工缺陷，這導致每個640 x 640圖像中大約有3到12個缺陷。

PCB缺陷數如下圖所示。我們將1000 張圖像作為訓練集，剩下的作為測試集。

二、構建訓練數據集?

1、先構建數據集文件夾

本人按照VOC格式創建數據集，具體格式如下：

├── data
│ ? ├── xml ?進行 detection 任務時的標簽文件，xml 形式，文件名與圖片名一一對應
│ ? ├── image ?存放.jpg 格式的圖片文件
│ ? ├── label ?存放label標注信息的txt文件，與圖片一一對應
│ ? ├── txt ?存放原始標注信息，x1,y1,x2,y2,type
├── dataSet(train，val，test建議按照8：1：1比例劃分)
│ ? ├── train.txt ?寫著用于訓練的圖片名稱
│ ? ├── val.txt ?寫著用于驗證的圖片名稱
│ ? ├── trainval.txt ?train與val的合集
│ ? ├── test.txt ?寫著用于測試的圖片名稱

2、數據集格式轉換

原始的標注信息是保存成txt文件，txt文件里面的每一行都包含一個標注信息，格式為x1,y1,x2,y2,type，這里 (x1,y1) 和 (x2,y2) 是缺陷邊界框的左上角和右下角

type是匹配后的整數 ID：0-background、1-open、2-short、3-mousebite、4-spur、5-copper、6-pin-hole。通過一下代碼進行轉換：

import os
import cv2
import time
from xml.dom import minidom
 
name_dict = {'0': 'background', '1': 'open', '2': 'short',
 ? ? ? ? ? ? '3': 'mousebite', '4': 'spur', '5': 'copper', '6': 'pin-hole'}
 
 
def transfer_to_xml(pic, txt, file_name,xml_save_path):
 ? ?if not os.path.exists(xml_save_path):
 ? ? ? ?os.makedirs(xml_save_path,exist_ok=True)
 
 ? ?img = cv2.imread(pic)
 ? ?img_w = img.shape[1]
 ? ?img_h = img.shape[0]
 ? ?img_d = img.shape[2]
 ? ?doc = minidom.Document()
 
 ? ?annotation = doc.createElement("annotation")
 ? ?doc.appendChild(annotation)
 ? ?folder = doc.createElement('folder')
 ? ?folder.appendChild(doc.createTextNode('visdrone'))
 ? ?annotation.appendChild(folder)
 
 ? ?filename = doc.createElement('filename')
 ? ?filename.appendChild(doc.createTextNode(file_name))
 ? ?annotation.appendChild(filename)
 
 ? ?source = doc.createElement('source')
 ? ?database = doc.createElement('database')
 ? ?database.appendChild(doc.createTextNode("Unknown"))
 ? ?source.appendChild(database)
 
 ? ?annotation.appendChild(source)
 
 ? ?size = doc.createElement('size')
 ? ?width = doc.createElement('width')
 ? ?width.appendChild(doc.createTextNode(str(img_w)))
 ? ?size.appendChild(width)
 ? ?height = doc.createElement('height')
 ? ?height.appendChild(doc.createTextNode(str(img_h)))
 ? ?size.appendChild(height)
 ? ?depth = doc.createElement('depth')
 ? ?depth.appendChild(doc.createTextNode(str(img_d)))
 ? ?size.appendChild(depth)
 ? ?annotation.appendChild(size)
 
 ? ?segmented = doc.createElement('segmented')
 ? ?segmented.appendChild(doc.createTextNode("0"))
 ? ?annotation.appendChild(segmented)
 
 ? ?with open(txt, 'r') as f:
 ? ? ? ?lines = [f.readlines()]
 ? ? ? ?for line in lines:
 ? ? ? ? ? ?for boxes in line:
 ? ? ? ? ? ? ? ?box = boxes.strip('
')
 ? ? ? ? ? ? ? ?box = box.split(" ")
 ? ? ? ? ? ? ? ?x_min = box[0]
 ? ? ? ? ? ? ? ?y_min = box[1]
 ? ? ? ? ? ? ? ?x_max = box[2]
 ? ? ? ? ? ? ? ?y_max = box[3]
 ? ? ? ? ? ? ? ?object_name = name_dict[box[4]]
 ? ? ? ? ? ? ? ?if object_name != "background":
 ? ? ? ? ? ? ? ? ? ?object = doc.createElement('object')
 ? ? ? ? ? ? ? ? ? ?nm = doc.createElement('name')
 ? ? ? ? ? ? ? ? ? ?nm.appendChild(doc.createTextNode(object_name))
 ? ? ? ? ? ? ? ? ? ?object.appendChild(nm)
 ? ? ? ? ? ? ? ? ? ?pose = doc.createElement('pose')
 ? ? ? ? ? ? ? ? ? ?pose.appendChild(doc.createTextNode("Unspecified"))
 ? ? ? ? ? ? ? ? ? ?object.appendChild(pose)
 ? ? ? ? ? ? ? ? ? ?truncated = doc.createElement('truncated')
 ? ? ? ? ? ? ? ? ? ?truncated.appendChild(doc.createTextNode("1"))
 ? ? ? ? ? ? ? ? ? ?object.appendChild(truncated)
 ? ? ? ? ? ? ? ? ? ?difficult = doc.createElement('difficult')
 ? ? ? ? ? ? ? ? ? ?difficult.appendChild(doc.createTextNode("0"))
 ? ? ? ? ? ? ? ? ? ?object.appendChild(difficult)
 ? ? ? ? ? ? ? ? ? ?bndbox = doc.createElement('bndbox')
 ? ? ? ? ? ? ? ? ? ?xmin = doc.createElement('xmin')
 ? ? ? ? ? ? ? ? ? ?xmin.appendChild(doc.createTextNode(x_min))
 ? ? ? ? ? ? ? ? ? ?bndbox.appendChild(xmin)
 ? ? ? ? ? ? ? ? ? ?ymin = doc.createElement('ymin')
 ? ? ? ? ? ? ? ? ? ?ymin.appendChild(doc.createTextNode(y_min))
 ? ? ? ? ? ? ? ? ? ?bndbox.appendChild(ymin)
 ? ? ? ? ? ? ? ? ? ?xmax = doc.createElement('xmax')
 ? ? ? ? ? ? ? ? ? ?xmax.appendChild(doc.createTextNode(str(x_max)))
 ? ? ? ? ? ? ? ? ? ?bndbox.appendChild(xmax)
 ? ? ? ? ? ? ? ? ? ?ymax = doc.createElement('ymax')
 ? ? ? ? ? ? ? ? ? ?ymax.appendChild(doc.createTextNode(str(y_max)))
 ? ? ? ? ? ? ? ? ? ?bndbox.appendChild(ymax)
 ? ? ? ? ? ? ? ? ? ?object.appendChild(bndbox)
 ? ? ? ? ? ? ? ? ? ?annotation.appendChild(object)
 ? ? ? ? ? ? ? ? ? ?with open(os.path.join(xml_save_path, file_name + '.xml'), 'w') as x:
 ? ? ? ? ? ? ? ? ? ? ? ?x.write(doc.toprettyxml())
 ? ? ? ? ? ? ? ? ? ?x.close()
 ? ?f.close()
 
 
if __name__ == '__main__':
 ? ?t = time.time()
 ? ?print('Transfer .txt to .xml...ing....')
 ? ?txt_folder = 'data/PCBDatasets/txt'
 ? ?txt_file = os.listdir(txt_folder)
 ? ?img_folder = 'data/PCBDatasets/image'
 ? ?xml_save_path = 'data/PCBDatasets/xml/'
 
 ? ?for txt in txt_file:
 ? ? ? ?txt_full_path = os.path.join(txt_folder, txt)
 ? ? ? ?img_full_path = os.path.join(img_folder, txt.split('.')[0] + '.jpg')
 
 ? ? ? ?try:
 ? ? ? ? ? ?transfer_to_xml(img_full_path, txt_full_path, txt.split('.')[0],xml_save_path)
 ? ? ? ?except Exception as e:
 ? ? ? ? ? ?print(e)
 
 ? ?print("Transfer .txt to .XML sucessed. costed: {:.3f}s...".format(time.time() - t))

3、訓練集劃分代碼

主要是將數據集分類成訓練數據集和測試數據集，默認train，val，test按照比例進行隨機分類，運行后dataSet文件夾中會出現四個文件

主要是生成的訓練數據集和測試數據集的圖片名稱，如下圖。同時data目錄下也會出現這四個文件，內容是訓練數據集和測試數據集的圖片路徑。

import os
import random
 
 
trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/PCBDatasets/xml/'
txtsavepath = 'data/PCBDatasets/dataSet/'
total_xml = os.listdir(xmlfilepath)
 
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
 
ftrainval = open('data/PCBDatasets/dataSet/trainval.txt', 'w')
ftest = open('data/PCBDatasets/dataSet/test.txt', 'w')
ftrain = open('data/PCBDatasets/dataSet/train.txt', 'w')
fval = open('data/PCBDatasets/dataSet/val.txt', 'w')
 
for i in list:
 ? ?name = total_xml[i][:-4] + '
'
 ? ?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()

4、生成yolo格式的標簽

主要是將圖片數據集標注后的xml文件中的標注信息讀取出來并寫入txt文件，運行后在label文件夾中出現所有圖片數據集的標注信息

# xml解析包
 
import xml.etree.ElementTree as ET
import pickle
import os
 
# os.listdir() 方法用于返回指定的文件夾包含的文件或文件夾的名字的列表
 
from os import listdir, getcwd
from os.path import join
 
 
sets = ['train', 'test', 'val']
classes = ['open', 'short','mousebite','spur', 'copper', 'pin-hole']
 
 
# 進行歸一化操作
 
def convert(size, box): ?# size:(原圖w,原圖h) , box:(xmin,xmax,ymin,ymax)
 ? ?dw = 1./size[0] ? ? # 1/w
 ? ?dh = 1./size[1] ? ? # 1/h
 ? ?x = (box[0] + box[1])/2.0 ? # 物體在圖中的中心點x坐標
 ? ?y = (box[2] + box[3])/2.0 ? # 物體在圖中的中心點y坐標
 ? ?w = box[1] - box[0] ? ? ? ? # 物體實際像素寬度
 ? ?h = box[3] - box[2] ? ? ? ? # 物體實際像素高度
 ? ?x = x*dw ? ?# 物體中心點x的坐標比(相當于 x/原圖w)
 ? ?w = w*dw ? ?# 物體寬度的寬度比(相當于 w/原圖w)
 ? ?y = y*dh ? ?# 物體中心點y的坐標比(相當于 y/原圖h)
 ? ?h = h*dh ? ?# 物體寬度的寬度比(相當于 h/原圖h)
 ? ?return (x, y, w, h) ? ?# 返回 相對于原圖的物體中心點的x坐標比,y坐標比,寬度比,高度比,取值范圍[0-1]
 
 
def convert_annotation(image_id):
 ? ?'''
 ? ?將對應文件名的xml文件轉化為label文件，xml文件包含了對應的bunding框以及圖片長款大小等信息，
 ? ?通過對其解析，然后進行歸一化最終讀到label文件中去，也就是說
 ? ?一張圖片文件對應一個xml文件，然后通過解析和歸一化，能夠將對應的信息保存到唯一一個label文件中去
 ?  labal文件中的格式：calss x y w h　　同時，一張圖片對應的類別有多個，所以對應的bounding的信息也有多個
 ? ?'''
 ? ?# 對應的通過year 找到相應的文件夾，并且打開相應image_id的xml文件，其對應bund文件
 ? ?in_file = open('data/PCBDatasets/xml/%s.xml' % (image_id), encoding='utf-8')
 ? ?# 準備在對應的image_id 中寫入對應的label，分別為
 ? ?#     
 ? ?out_file = open('data/PCBDatasets/label/%s.txt' % (image_id), 'w', encoding='utf-8')
 ? ?# 解析xml文件
 ? ?tree = ET.parse(in_file)
 ? ?# 獲得對應的鍵值對
 ? ?root = tree.getroot()
 ? ?# 獲得圖片的尺寸大小
 ? ?size = root.find('size')
 ? ?# 如果xml內的標記為空，增加判斷條件
 ? ?if size != None:
 ? ? ? ?# 獲得寬
 ? ? ? ?w = int(size.find('width').text)
 ? ? ? ?# 獲得高
 ? ? ? ?h = int(size.find('height').text)
 ? ? ? ?# 遍歷目標obj
 ? ? ? ?for obj in root.iter('object'):
 ? ? ? ? ? ?# 獲得difficult ？？
 ? ? ? ? ? ?difficult = obj.find('difficult').text
 ? ? ? ? ? ?# 獲得類別 =string 類型
 ? ? ? ? ? ?cls = obj.find('name').text
 ? ? ? ? ? ?# 如果類別不是對應在我們預定好的class文件中，或difficult==1則跳過
 ? ? ? ? ? ?if cls not in classes or int(difficult) == 1:
 ? ? ? ? ? ? ? ?continue
 ? ? ? ? ? ?# 通過類別名稱找到id
 ? ? ? ? ? ?cls_id = classes.index(cls)
 ? ? ? ? ? ?# 找到bndbox 對象
 ? ? ? ? ? ?xmlbox = obj.find('bndbox')
 ? ? ? ? ? ?# 獲取對應的bndbox的數組 = ['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(image_id, cls, b)
 ? ? ? ? ? ?# 帶入進行歸一化操作
 ? ? ? ? ? ?# w = 寬, h = 高， b= bndbox的數組 = ['xmin','xmax','ymin','ymax']
 ? ? ? ? ? ?bb = convert((w, h), b)
 ? ? ? ? ? ?# bb 對應的是歸一化后的(x,y,w,h)
 ? ? ? ? ? ?# 生成 calss x y w h 在label文件中
 ? ? ? ? ? ?out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '
')
 
 
# 返回當前工作目錄
 
wd = getcwd()
print(wd)
 
 
for image_set in sets:
 ? ?'''
 ? ?對所有的文件數據集進行遍歷
 ? ?做了兩個工作：
　　　?。保畬⑺袌D片文件都遍歷一遍，并且將其所有的全路徑都寫在對應的txt文件中去，方便定位
　　　?。玻瑫r對所有的圖片文件進行解析和轉化，將其對應的bundingbox 以及類別的信息全部解析寫到label 文件中去
 ? ?　　　　　最后再通過直接讀取文件，就能找到對應的label 信息
 ? ?'''
 ? ?# 先找labels文件夾如果不存在則創建
 ? ?if not os.path.exists('data/PCBDatasets/labels/'):
 ? ? ? ?os.makedirs('data/PCBDatasets/labels/')
 ? ?# 讀取在ImageSets/Main 中的train、test..等文件的內容
 ? ?# 包含對應的文件名稱
 ? ?image_ids = open('data/PCBDatasets/dataSet/%s.txt' % (image_set)).read().strip().split()
 ? 
 ? ?list_file = open('data/PCBDatasets/%s.txt' % (image_set), 'w')
 ? ?# 將對應的文件_id以及全路徑寫進去并換行
 ? ?for image_id in image_ids:
 ? ? ? ?list_file.write('data/PCBDatasets/image/%s.jpg
' % (image_id))
 ? ? ? ?# 調用 ?year = 年份 ?image_id = 對應的文件名_id
 ? ? ? ?convert_annotation(image_id)
 ? ?# 關閉文件
 ? ?list_file.close()

label文件夾中某文件內容如下：

三、修改配置文件

1、數據配置文件

首先需要在/yolov5-master/data文件夾中，新建一個PCBDetect.yaml文件，內容設置如下：

train: data/PCBDatasets/dataSet/train.txt
val: ?data/PCBDatasets/dataSet/val.txt
test: data/PCBDatasets/dataSet/test.txt
 
nc: 6
 
names: ['copper', 'mousebite', 'open', 'pin-hole', 'short', 'spur']

2、網絡參數修改

對yolov5-master/model文件夾中，對yolov5x.yaml（根據自己選擇的模型而定）文件內容修改。

3、trian.py修改

主要用到的幾個參數：–weights，–cfg，–data，–epochs，–batch-size，–img-size，–project，-workers

重點注意：–weights，–cfg，–data，其他的默認即可（batch_size，workers根據自己電腦屬性進行設置）。

四、訓練及測試

1、訓練

在完成上述所有的操作之后，就可以進行訓練，在命令窗口輸入python train.py即可以進行訓練。

2、測試

在訓練完成后可以利用測試集對訓練后的模型進行測試，利用val.py文件進行測試，主要修改一下地方：

測試完成后會輸出map、precision、recall等指標，具體如下圖所示：

P-R曲線如下圖所示：

同時也可以利用detect.py文件對測試集進行測試，將檢測后的框繪制在圖像上，部分測試結果如下圖所示：

編輯：黃飛

?