PCB（印刷電路板）

我知道，你一定在問，什么是PCB？不是嗎？對于不知道PCB是什么的人，這里有一個來自維基百科的定義：

PCB（Printed Circuit Board），中文名稱為印制電路板，又稱印刷線路板，是重要的電子部件，是電子元器件的支撐體，是電子元器件電氣相互連接的載體。由于它是采用電子印刷術制作的，故被稱為“印刷”電路板。［1］

我打賭你一生中至少見過一次PCB，但可能不想知道它是什么。以下是維基百科DVD讀取器上的PCB圖像：

PCB無處不在。幾乎所有的電子設備都有一個隱藏在其中的印刷電路板。在很多情況下，這些PCB在設計時或使用后都可能存在缺陷。

以下是互聯網上列出的PCB中一些常見缺陷的列表，以及免費提供的數據集中的示例圖像？．

1.Opens

2.Excessive solder

3.Component shifting

4.Cold joints

5.Solder bridges

6.Webbing and splashes

7.Lifted pads

我們不會深入探討它們的確切含義，因為這不是博客的內容。但是，從懂一點計算機視覺和深度學習的計算機工程師的角度來看，似乎檢測PCB數字圖像中的缺陷是一個可以解決的問題。

我們將使用mmdetection？ 檢測PCB圖像中的缺陷。OpenMMLab？ 是一個深度學習庫，擁有計算機視覺領域大多數最先進實現的預訓練模型。它實現了幾乎所有眾所周知的視覺問題，如分類、目標檢測與分割、姿態估計、圖像生成、目標跟蹤等等。

YOLOX：2021超越YOLO系列？

本文中，我們將使用YOLOX？ ，我們將微調mmdetection？． YOLOX？ 是2021發布的最先進模型，是YOLO系列的改進。作者做出了一些重大改進，如下所示。

1.引入SimOTA進行標簽分配

2.移除錨箱

3.注意數據增強

4.用于檢測和分類的獨立頭

之前從v3到v5的YOLO系列都有一個單一的預測頭，其中包括邊界框預測、分類分數預測以及對象性分數預測，如上圖上半部分所示。

這在YOLOX中發生了變化？ 作者選擇使用具有獨立頭的解耦頭進行所有預測的系列。

如圖所示，檢測頭和分類頭位于不同的頭中。這有助于改善訓練期間的收斂時間（如圖3所示），并略微提高模型精度。

由于分離為兩個頭部，參數數量顯著增加，因此模型的速度確實受到了影響。正如我們在圖4中看到的，YOLOX－L比YOLOv5－L慢一點。它也有專門為參數低得多的邊緣設備構建的微型版本。

與以前最先進的對象檢測模型相比，它們在平均精度方面確實有所提高，但FPS略有下降。

最后，正如偉大的萊納斯·托瓦爾茲所說，

廢話少說。放碼過來。

讓我們直接跳到代碼里！

使用mmdetection微調YOLOX

我們有一個名為DeepPCB的開源PCB缺陷數據集？． 該數據集由1500個圖像對組成，每個圖像對具有一個無缺陷模板圖像和一個具有缺陷的圖像，該圖像具有6種常見類型缺陷的邊界框注釋，即open， mouse－bite， short， spur， spurious copper， 和pin－hole。

圖像的尺寸為640×640，在我們的YOLOX案例中非常完美？ 在相同的維度上進行訓練。

OpenMMLab？

OpenMMLab可以非常輕松地微調最先進的模型，只需很少的代碼更改。它具有針對特定用例的全面API。我們將使用mmdetection？ 用于微調YOLOX？ 在DeepPCB上？ 數據集。

數據集格式

注：PCB缺陷數據集是一個開源數據集，取自具有MIT許可證的DeepPCB Github repo

我們需要將數據集修改為COCO格式或Pascal VOC格式來重新訓練模型。這是MMD檢測所必需的？ 加載自定義數據集進行訓練。

出于訓練目的，我們將采用COCO格式。你無需費盡心思將數據集轉換為COCO格式，因為它已經為你完成了。你可以從這里直接下載轉換后的數據集。整個數據集與DeepPCB中的數據集相同？ 只需添加帶有COCO格式注釋的訓練和測試JSON文件即可進行訓練。

我將不進行COCO格式的轉換，因為你可以找到許多文檔，就像mmdetection文檔中提到的那樣。

將此數據集轉換為COCO格式的腳本：

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＇）

數據集配置

下一步是修改數據集配置以使用自定義數據集。我們需要添加／修改特定的內容，如類的數量、注釋路徑、數據集路徑、epoch數量、基本配置路徑和一些數據加載器參數。

我們將復制一個預先編寫的YOLOX－s配置，并為我們的數據集修改它。其余的配置，如增強、優化器和其他超參數將是相同的。

我們不會改變太多，因為這個博客的主要目的是熟悉手頭的問題，嘗試最先進的YOLOX架構，并實驗mmdetection庫。我們將把這個文件命名為yolox＿s＿config。py并將其用于訓練。

我們將添加類名并更改預測頭的類數。由于將從根目錄而不是configs目錄加載配置，因此需要更改基本路徑。

＿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）

我們需要稍微修改train dataset loader以使用我們的類和注釋路徑。

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）

我們需要在這里對驗證和測試集執行相同的操作。這里我們不打算使用單獨的測試集，相反，我們將使用相同的測試集進行驗證和測試。

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））

我們將只對模型進行20個epoch的訓練，并每5個階段獲得一次驗證結果。我們不需要再訓練了，因為我們只在20個epoch里取得了不錯的成績。

max＿epochs ＝ 20

interval ＝ 5

訓練

我們很樂意使用數據集部分。接下來我們需要做的是訓練模型。mmdetection最棒的部分？ 是，所有關于訓練的事情都已經為你們做了。你所需要做的就是從tools目錄運行訓練腳本，并將路徑傳遞給我們在上面創建的數據集配置。

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

你已經成功訓練了！

推理

讓我們看看我們的模型在一些示例上的表現。你一定想知道，訓練模型有多容易，必須有一個命令來對圖像進行推理？

有！但是，不要讓訓練模型的簡單程序拖累了你。讓我們編寫一些用于推理的代碼，但讓你感到高興的是，它不到10行代碼。

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）

這將顯示一個帶有邊界框的圖像，邊界框上繪制有預測的類名。下面是一個來自數據集的示例圖像，其中包含模型預測。

我們做到了！

你也可以嘗試我們預先訓練的模型，并使用它進行推理。

結論

今天，我們了解了現實世界中普遍存在的一個新問題，并嘗試使用像YOLOX這樣的最先進模型來解決這個問題？．

我們還使用了mmdetection？ ，它是深度學習社區中用于訓練對象檢測模型的領先開源庫之一。如果我不提如何檢測，那將是不公平的？ 。

在幾乎沒有任何自定義腳本的情況下，讓我們如此快速、輕松地解決問題。

磐創AI

審核編輯 ：李倩