环球观天下！使用YOLOX检测PCB的缺陷

PCB（印刷电路板）

我知道，你一定在问，什么是PCB？不是吗？对于不知道PCB是什么的人，这里有一个来自维基百科的定义：

PCB（Printed Circuit Board），中文名称为印制电路板，又称印刷线路板，是重要的电子部件，是电子元器件的支撑体，是电子元器件电气相互连接的载体。由于它是采用电子印刷术制作的，故被称为“印刷”电路板。［1］

【资料图】

我打赌你一生中至少见过一次PCB，但可能不想知道它是什么。以下是维基百科DVD读取器上的PCB图像：

PCB无处不在。几乎所有的电子设备都有一个隐藏在其中的印刷电路板。在很多情况下，这些PCB在设计时或使用后都可能存在缺陷。

以下是互联网上列出的PCB中一些常见缺陷的列表，以及免费提供的数据集中的示例图像⁴．

1.Opens

2.Excessive solder

3.Component shifting

4.Cold joints

5.Solder bridges

6.Webbing and splashes

7.Lifted pads

我们不会深入探讨它们的确切含义，因为这不是博客的内容。但是，从懂一点计算机视觉和深度学习的计算机工程师的角度来看，似乎检测PCB数字图像中的缺陷是一个可以解决的问题。

我们将使用mmdetection⁶ 检测PCB图像中的缺陷。OpenMMLab⁸ 是一个深度学习库，拥有计算机视觉领域大多数最先进实现的预训练模型。它实现了几乎所有众所周知的视觉问题，如分类、目标检测与分割、姿态估计、图像生成、目标跟踪等等。

YOLOX：2021超越YOLO系列⁷

本文中，我们将使用YOLOX⁷ ，我们将微调mmdetection⁶． YOLOX⁷ 是2021发布的最先进模型，是YOLO系列的改进。作者做出了一些重大改进，如下所示。

1.引入SimOTA进行标签分配

2.移除锚箱

3.注意数据增强

4.用于检测和分类的独立头

之前从v3到v5的YOLO系列都有一个单一的预测头，其中包括边界框预测、分类分数预测以及对象性分数预测，如上图上半部分所示。

这在YOLOX中发生了变化⁷ 作者选择使用具有独立头的解耦头进行所有预测的系列。

如图所示，检测头和分类头位于不同的头中。这有助于改善训练期间的收敛时间（如图3所示），并略微提高模型精度。

由于分离为两个头部，参数数量显著增加，因此模型的速度确实受到了影响。正如我们在图4中看到的，YOLOX－L比YOLOv5－L慢一点。它也有专门为参数低得多的边缘设备构建的微型版本。

与以前最先进的对象检测模型相比，它们在平均精度方面确实有所提高，但FPS略有下降。

最后，正如伟大的莱纳斯·托瓦尔兹所说，

废话少说。放码过来。

让我们直接跳到代码里！

使用mmdetection微调YOLOX

我们有一个名为DeepPCB的开源PCB缺陷数据集⁵． 该数据集由1500个图像对组成，每个图像对具有一个无缺陷模板图像和一个具有缺陷的图像，该图像具有6种常见类型缺陷的边界框注释，即open， mouse－bite， short， spur， spurious copper， 和pin－hole。

图像的尺寸为640×640，在我们的YOLOX案例中非常完美⁷ 在相同的维度上进行训练。

OpenMMLab⁸

OpenMMLab可以非常轻松地微调最先进的模型，只需很少的代码更改。它具有针对特定用例的全面API。我们将使用mmdetection⁶ 用于微调YOLOX⁷ 在DeepPCB上⁵ 数据集。

数据集格式

注：PCB缺陷数据集是一个开源数据集，取自具有MIT许可证的DeepPCB Github repo

我们需要将数据集修改为COCO格式或Pascal VOC格式来重新训练模型。这是MMD检测所必需的⁶ 加载自定义数据集进行训练。

出于训练目的，我们将采用COCO格式。你无需费尽心思将数据集转换为COCO格式，因为它已经为你完成了。你可以从这里直接下载转换后的数据集。整个数据集与DeepPCB中的数据集相同⁵ 只需添加带有COCO格式注释的训练和测试JSON文件即可进行训练。

我将不进行COCO格式的转换，因为你可以找到许多文档，就像mmdetection文档中提到的那样。

将此数据集转换为COCO格式的脚本：

import json

import os

TRAIN＿PATH ＝ ＇PCBData／PCBData／trainval．txt＇

TEST＿PATH ＝ ＇PCBData／PCBData／test．txt＇

def create＿data（data＿path， output＿path）：

images ＝ ［］

anns ＝ ［］

with open（data＿path， ＇r＇） as f：

data ＝ f．read（）．splitlines（）

dataset ＝ ［］

counter ＝ 0

for idx， example in enumerate（data）：

image＿path， annotations＿path ＝ example．split（）

image＿path ＝ os．path．join（＇PCBData＇， ＇PCBData＇， image＿path．replace（＇．jpg＇， ＇＿test．jpg＇））

annotations＿path ＝ os．path．join（＇PCBData＇， ＇PCBData＇， annotations＿path）

with open（annotations＿path， ＇r＇） as f：

annotations ＝ f．read（）．splitlines（）

for ann in annotations：

x， y， x2， y2 ＝ ann．split（）［：－1］

anns．append（｛

＇image＿id＇： idx，

＇iscrowd＇： 0，

＇area＇： （int（x2）－int（x）） ＊ （int（y2）－int（y）），

＇category＿id＇： int（ann．split（）［－1］）－1，

＇bbox＇： ［int（x）， int（y）， int（x2）－int（x）， int（y2）－int（y）］，

＇id＇： counter

｝）

counter ＋＝ 1

images．append（｛

＇file＿name＇： image＿path，

＇width＇： 640，

＇height＇： 640，

＇id＇： idx

｝）

dataset ＝ ｛

＇images＇： images，

＇annotations＇： anns，

＇categories＇： ［

｛＇id＇： 0， ＇name＇： ＇open＇｝，

｛＇id＇： 1， ＇name＇： ＇short＇｝，

｛＇id＇： 2， ＇name＇： ＇mousebite＇｝，

｛＇id＇： 3， ＇name＇： ＇spur＇｝，

｛＇id＇： 4， ＇name＇： ＇copper＇｝，

｛＇id＇： 5， ＇name＇： ＇pin－hole＇｝，

］

｝

with open（output＿path， ＇w＇） as f：

json．dump（dataset， f）

create＿data（TRAIN＿PATH， ＇train．json＇）

create＿data（TEST＿PATH， ＇test．json＇）

数据集配置

下一步是修改数据集配置以使用自定义数据集。我们需要添加／修改特定的内容，如类的数量、注释路径、数据集路径、epoch数量、基本配置路径和一些数据加载器参数。

我们将复制一个预先编写的YOLOX－s配置，并为我们的数据集修改它。其余的配置，如增强、优化器和其他超参数将是相同的。

我们不会改变太多，因为这个博客的主要目的是熟悉手头的问题，尝试最先进的YOLOX架构，并实验mmdetection库。我们将把这个文件命名为yolox＿s＿config。py并将其用于训练。

我们将添加类名并更改预测头的类数。由于将从根目录而不是configs目录加载配置，因此需要更改基本路径。

＿base＿ ＝ ［＇configs／＿base＿／schedules／schedule＿1x．py＇， ＇configs／＿base＿／default＿runtime．py＇］

classes ＝ （＇open＇， ＇short＇， ＇mousebite＇， ＇spur＇， ＇copper＇， ＇pin－hole＇）

bbox＿head ＝ dict（type＝＇YOLOXHead＇， num＿classes＝6， in＿channels＝128， feat＿channels＝128）

我们需要稍微修改train dataset loader以使用我们的类和注释路径。

train＿dataset ＝ dict（

type＝＇MultiImageMixDataset＇，

dataset＝dict（

type＝dataset＿type，

classes＝classes，

ann＿file＝＇train．json＇，

img＿prefix＝＇＇，

pipeline＝［

dict（type＝＇LoadImageFromFile＇），

dict（type＝＇LoadAnnotations＇， with＿bbox＝True）

］，

filter＿empty＿gt＝False，

），

pipeline＝train＿pipeline）

我们需要在这里对验证和测试集执行相同的操作。这里我们不打算使用单独的测试集，相反，我们将使用相同的测试集进行验证和测试。

data ＝ dict（

samples＿per＿gpu＝8，

workers＿per＿gpu＝4，

persistent＿workers＝True，

train＝train＿dataset，

val＝dict（

type＝dataset＿type，

classes＝classes，

ann＿file＝＇test．json＇，

img＿prefix＝＇＇，

pipeline＝test＿pipeline），

test＝dict（

type＝dataset＿type，

classes＝classes，

ann＿file＝＇test．json＇，

img＿prefix＝＇＇，

pipeline＝test＿pipeline））

我们将只对模型进行20个epoch的训练，并每5个阶段获得一次验证结果。我们不需要再训练了，因为我们只在20个epoch里取得了不错的成绩。

max＿epochs ＝ 20

interval ＝ 5

训练

我们很乐意使用数据集部分。接下来我们需要做的是训练模型。mmdetection最棒的部分⁶ 是，所有关于训练的事情都已经为你们做了。你所需要做的就是从tools目录运行训练脚本，并将路径传递给我们在上面创建的数据集配置。

python3 tools／train．py yolox＿s＿config．py

你已经成功训练了！

推理

让我们看看我们的模型在一些示例上的表现。你一定想知道，训练模型有多容易，必须有一个命令来对图像进行推理？

有！但是，不要让训练模型的简单程序拖累了你。让我们编写一些用于推理的代码，但让你感到高兴的是，它不到10行代码。

from mmdet．apis import init＿detector， inference＿detector， show＿result＿pyplot

config＿file ＝ ＇yolox＿s＿config．py＇

checkpoint＿file ＝ ＇best＿bbox＿mAP＿epoch＿20．pth＇

device ＝ ＇cuda：0＇

＃ init a detector

model ＝ init＿detector（config＿file， checkpoint＿file， device＝device）

＃ inference the demo image

image＿path ＝ ＇demo．jpg＇

op ＝ inference＿detector（model， image＿path）

show＿result＿pyplot（model， image＿path， op， score＿thr＝0．6）

这将显示一个带有边界框的图像，边界框上绘制有预测的类名。下面是一个来自数据集的示例图像，其中包含模型预测。

我们做到了！

你也可以尝试我们预先训练的模型，并使用它进行推理。

结论

今天，我们了解了现实世界中普遍存在的一个新问题，并尝试使用像YOLOX这样的最先进模型来解决这个问题⁷．

我们还使用了mmdetection⁶ ，它是深度学习社区中用于训练对象检测模型的领先开源库之一。如果我不提如何检测，那将是不公平的⁶ 。

在几乎没有任何自定义脚本的情况下，让我们如此快速、轻松地解决问题。

感谢阅读！

参考引用

感谢阅读！

关键词： 我们需要 最先进的 数据集配置