基于YOLO的PCB缺陷检测实战：从数据集构建到模型训练部署全流程-北京尧图网络

1. 从一块报废板子说起PCB缺陷检测到底在解决什么问题前阵子帮一个做小批量PCBA的朋友处理产线问题他们每个月大概产出两千多片板子主要是一些工业控制类的四层板。问题出在回流焊之后的人工目检环节——两个质检员拿着放大镜一片一片看一天下来眼睛都快瞎了漏检率还是压不下去。最典型的一次一批板子发到客户手里对方上电测试发现有三片存在线路微短路追回来一查是蚀刻工序留下的铜渣残留肉眼在特定角度下才能勉强看到。这一来一回赔了钱不说交期也耽误了。这件事让我意识到PCB缺陷检测这件事靠人眼死磕终究不是办法。后来我花了两周时间用YOLO系列模型搭了一套自动检测流程从数据集采集、标注、增强到模型训练、验证、导出部署跑通了一个完整的闭环。实测下来在自建的五百多张图像数据集上mAP0.5能稳定在0.92以上单张推理时间在普通消费级显卡上不到20毫秒。这套东西谈不上多高深但确实把漏检率从人工的百分之八左右压到了百分之二以内。这篇文章就是把这套流程完整拆开讲一遍。不管你是刚接触机器视觉缺陷检测的在校学生还是产线上想搞自动化改造的工程师或者只是对YOLO训练自己的数据集感兴趣的开发者都能从里面找到可以直接抄作业的东西。我会把数据集怎么准备、标注怎么做、模型怎么选、参数怎么调、坑在哪里全部摊开来说。核心关键词就几个PCB、缺陷检测、数据集、模型训练、YOLO整篇内容都围绕这几个词展开。需要提前说明的是PCB缺陷检测这个领域公开数据集其实不算丰富很多情况下你得自己采图、自己标。这既是门槛也是机会——因为一旦你跑通了一次完整流程后面换产品、换缺陷类型无非就是重新采一批图、重新标一遍的事方法论是通用的。2. 内容整体设计与思路拆解2.1 为什么选YOLO而不是其他方案做缺陷检测摆在面前的路其实有好几条。传统机器视觉那条路用OpenCV做模板匹配、边缘检测、形态学操作在缺陷类型单一、光照稳定的场景下确实能用而且不需要GPU部署成本低。但PCB的缺陷类型太多了——缺件、偏移、立碑、虚焊、短路、开路、铜渣、划痕每一种的形态都不一样你不可能给每种缺陷写一套规则。规则一多维护成本就上去了而且换个产品型号阈值全得重调。另一条路是语义分割比如U-Net那一套能给出像素级的缺陷区域。精度确实高但标注成本也高——你得标像素级的mask一张图标下来少说十分钟。对于小批量多品种的产线这个标注成本扛不住。选YOLO核心原因是三点。第一检测速度够快YOLOv8n在RTX 3060上跑640尺寸的图推理时间大概在5到8毫秒完全能跟上产线节拍。第二标注成本可控只需要画矩形框一张图熟练了半分钟就能标完。第三生态成熟Ultralytics那套框架把训练、验证、导出、部署全串起来了你不需要自己去写数据加载器、写损失函数、写推理后处理省下来的时间可以花在数据质量上。提示如果你做的缺陷是那种边界极其模糊、需要精确到像素的比如某些半导体晶圆缺陷那YOLO的框可能不够用得考虑分割方案。但PCB上的大部分缺陷用框标出来足够了。2.2 整体流程的骨架整个流程我把它拆成五步后面会一步步展开讲。第一步是需求定义与缺陷分类。你得先搞清楚要检测哪几类缺陷每类缺陷长什么样在图像里大概占多大面积。这一步决定了后面采图的数量和标注的粒度。第二步是数据集采集与标注。采图要考虑光照、角度、背景的一致性标注要统一标准避免同一种缺陷两个人标出两种框。第三步是数据增强与划分。PCB图像有个特点缺陷区域往往很小直接训练容易漏检。需要通过增强手段扩充样本同时按比例划分训练集、验证集、测试集。第四步是模型训练与调参。选哪个版本的YOLO用多大的输入尺寸学习率怎么设batch size怎么定这些都有讲究。第五步是验证、导出与部署。训练完了不能只看loss曲线得看实际的混淆矩阵和PR曲线导出成ONNX或者TensorRT再集成到产线系统里。这五步里最耗时间的其实是第二步大概占整个项目百分之六十以上的精力。很多人一上来就急着调模型结果数据集一塌糊涂怎么调都上不去。我的经验是数据集的质量决定了模型效果的上限模型和参数只是逼近这个上限。2.3 方案选型背后的取舍逻辑在具体工具选型上我也踩过一些坑。标注工具一开始用的LabelImg后来换成了Labelme再换回LabelImg最后还是觉得LabelImg最顺手因为它直接输出YOLO格式的txt文件省去了格式转换的麻烦。如果你需要标分割mask那Labelme更合适但纯检测任务LabelImg足够了。模型版本上我试过YOLOv5、YOLOv7、YOLOv8最后落在YOLOv8上。v5的生态最成熟教程最多但v8的API更简洁而且anchor-free的设计对小目标更友好。PCB上的缺陷很多都是小目标比如一个0402封装的电阻偏移在整板图像里可能就十几个像素v8的表现确实比v5好一截。训练框架用的是Ultralytics的官方库没有用MMDetection或者Detectron2。原因很简单Ultralytics那套东西开箱即用配置文件就一个yaml训练命令就一行对新手极其友好。MMDetection虽然灵活但配置文件的层级太深改个参数要翻好几层对于快速迭代不友好。3. 核心细节解析与实操要点3.1 缺陷分类与判定标准在动手采图之前必须先跟产线的人坐下来把缺陷分类定清楚。我当时的分类是这样的缺陷类别英文代号典型特征最小可检尺寸缺件missing焊盘上无元件0.4mm x 0.2mm偏移shift元件偏离焊盘中心偏移量大于焊盘宽度30%立碑tombstone元件一端翘起翘起角度大于30度虚焊cold_joint焊点表面粗糙、发暗焊点面积小于正常值60%短路short相邻焊点间有锡桥锡桥宽度大于0.1mm铜渣残留copper_residue蚀刻后残留的铜点直径大于0.15mm这个表不是拍脑袋定的是跟质检主管一起拿实际的不良品一片一片看出来的。定标准的时候有个原则宁可把标准定严一点也不要定松。因为模型训练出来之后你可以通过调置信度阈值来放宽但如果标注的时候标准就松模型学到的就是模糊的边界后面怎么调都调不回来。注意缺陷分类不要贪多。我一开始想把所有能想到的缺陷都放进去分了十二类结果每类样本都不够模型学得一塌糊涂。后来砍到六类每类至少保证一百五十个实例效果才起来。经验值是每类缺陷至少一百个实例低于这个数模型很难学到稳定的特征。3.2 图像采集的硬件与参数采图这块我用的是一个五百像素的工业相机配一个定焦镜头光源用的是环形白光LED。为什么用白光不用其他颜色因为PCB的底色是绿色或者蓝色白光下缺陷的对比度最自然不会引入奇怪的色偏。相机架设的角度很关键。垂直向下拍是最简单的但有些缺陷比如立碑垂直拍只能看到一个点侧面拍才能看到翘起的高度。我的做法是主相机垂直拍再加一个低角度相机补拍两个相机的图像分别训练推理的时候取并集。这样做的代价是推理时间翻倍但召回率能提升大概五个百分点。光照的稳定性比光照的强度更重要。我试过用自然光加补光灯结果上午和下午拍的图色温不一样模型在下午的图上表现明显差一截。后来改成全封闭的暗箱加固定光源色温锁定在五千五百K问题就解决了。采集的分辨率也有讲究。我一开始用四千乘三千的分辨率想着细节更丰富结果训练的时候显存直接爆了降到一千二百八十乘九百六十才跑起来。后来发现对于0402封装的元件一千二百八十的分辨率已经足够看清偏移了再高就是浪费。分辨率的选择原则是缺陷区域在图像里至少占二十个像素宽低于这个数模型很难学到有效特征。3.3 标注规范与质量控制标注这件事最怕的就是标准不统一。我当时的做法是先让两个标注员各自标五十张图然后交叉检查把不一致的地方拿出来讨论形成一份标注规范文档。这份文档里写清楚了每种缺陷的框怎么画——是贴着缺陷边缘画还是留一点余量。我的规范是框贴着缺陷边缘画不留余量。因为YOLO的损失函数里框的位置是直接参与回归的留余量会让模型学到一个偏大的框推理的时候框会偏大影响后处理的判断。标注的质量控制我用了一个笨办法但很有效每标完一百张图就抽十张出来重新标一遍对比两次标注的IoU。如果IoU低于0.85说明标注标准不稳定得停下来重新对齐。这个办法虽然费时间但能及早发现问题避免标了几千张之后才发现标准跑偏了。还有一个细节是难例的处理。有些缺陷处于临界状态比如一个偏移量刚好在判定标准边缘的元件标还是不标我的做法是标上但在训练的时候给这类样本一个较低的权重。YOLO本身不支持样本加权但你可以通过复制正常样本、减少难例样本的方式来间接实现。3.4 数据增强的策略与边界PCB图像的数据增强不能随便用那些通用的增强手段。比如随机旋转对于PCB来说旋转九十度之后元件的方向就变了模型会学到错误的方向特征。我试过加旋转增强结果模型在正常图像上的表现反而下降了。我实际用的增强手段是这几种亮度与对比度扰动模拟不同光照条件下的图像变化幅度控制在正负百分之十五以内。高斯噪声模拟相机传感器的噪声标准差控制在五以内。随机裁剪从大图中裁剪出小图增加小目标的样本量裁剪尺寸不低于原图的百分之六十。马赛克增强YOLOv8自带的mosaic增强把四张图拼成一张对小目标检测很有效但要注意拼接后的图像不能有重叠的缺陷区域。提示增强的幅度不要太大。我见过有人把亮度扰动开到正负百分之五十结果模型学到的全是极端光照下的特征正常光照下反而检不出来。增强的目的是让模型见过更多的变化而不是让它见过不可能出现的情况。3.5 数据集划分的比例与随机性训练集、验证集、测试集的划分我用的比例是七比二比一。这个比例不是固定的如果你的数据量很大比如上万张那验证集和测试集的比例可以降到百分之十和百分之五。但如果数据量只有几百张那验证集至少要有百分之二十否则验证结果波动太大没法判断模型到底有没有变好。划分的时候有个坑不能随机划分。因为PCB图像往往是从同一批板子上采的同一批板子的图像相似度很高。如果随机划分很可能训练集和验证集里有来自同一块板子的图像验证结果会虚高。正确的做法是按板子划分同一块板子的所有图像要么全在训练集要么全在验证集。这样验证结果才能反映模型在没见过的新板子上的表现。4. 实操过程与核心环节实现4.1 环境搭建与依赖安装环境这块我用的是Ubuntu 22.04加一张RTX 3060显存十二个G。Python版本是3.10CUDA版本是11.8。这些版本不是随便选的Ultralytics的库对CUDA版本有要求11.8是经过验证比较稳的。安装步骤很简单先建一个虚拟环境然后装Ultralyticsconda create -n pcb_det python3.10 conda activate pcb_det pip install ultralytics装完之后验证一下yolo checks这个命令会输出你的环境信息包括CUDA是否可用、GPU型号、显存大小。如果CUDA那一栏显示的是false那说明你的PyTorch版本和CUDA版本不匹配得重新装PyTorch。注意不要用pip install torch直接装那样装的是CPU版本。要去PyTorch官网找对应的CUDA版本的安装命令。我踩过这个坑装完之后训练速度慢得离谱一查才发现用的是CPU。4.2 数据集目录结构与配置文件Ultralytics要求的数据集目录结构是这样的pcb_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── pcb.yamlimages下面放图像文件labels下面放同名的txt标注文件。txt文件的格式是每一行一个目标内容是类别编号中心x 中心y 宽度高度坐标都是归一化到零到一之间的。pcb.yaml的内容是这样的path: /home/user/pcb_dataset train: images/train val: images/val test: images/test names: 0: missing 1: shift 2: tombstone 3: cold_joint 4: short 5: copper_residue这个yaml文件是训练的核心配置文件路径和类别名都在这里定义。类别名的顺序要和标注文件里的类别编号对应否则模型学出来的类别是乱的。4.3 模型训练的参数设置与调优训练命令就一行yolo detect train datapcb.yaml modelyolov8s.pt epochs200 imgsz640 batch16 lr00.01这行命令里的每个参数都有讲究我一个个说。modelyolov8s.pt选的是small版本不是nano也不是medium。nano版本太小对小目标的检测能力不够medium版本太大训练慢而且容易过拟合。small版本在速度和精度之间取得了比较好的平衡。如果你显存够大可以试试medium但我的经验是对于PCB这种小目标密集的场景small已经够用了。epochs200是训练轮数。这个数不是固定的得看loss曲线。我的做法是先设两百轮然后看验证集上的mAP什么时候不再上升如果一百五十轮就收敛了那后面的五十轮就是浪费。但如果两百轮还在上升那就得加到三百轮。imgsz640是输入图像的尺寸。这个尺寸决定了模型能看到多少细节。PCB图像里的小目标很多尺寸太小会漏检尺寸太大显存扛不住。640是一个比较通用的值如果你显存够大可以试到八百甚至一千零二十四但速度会明显下降。batch16是批大小。这个值受显存限制十二个G的显存跑640尺寸的图batch设到十六差不多是极限了。如果显存不够可以降到八或者四但batch太小会导致训练不稳定梯度更新的方向波动大。lr00.01是初始学习率。这个值我试过0.001、0.01、0.1最后发现0.01最稳。0.001收敛太慢0.1容易震荡。如果你用的是预训练模型0.01是合适的如果是从头训练可以适当降低到0.005。训练过程中要盯着几个指标box_loss、cls_loss、dfl_loss还有验证集上的mAP0.5和mAP0.5:0.95。box_loss是框回归的损失cls_loss是分类的损失dfl_loss是分布焦点损失。这三个loss都应该随着训练轮数下降如果某个loss不降反升说明模型过拟合了得加正则化或者减模型复杂度。4.4 训练过程的监控与早停策略Ultralytics默认会在训练结束后画一堆曲线图但训练过程中你只能看命令行输出的日志。我习惯用TensorBoard来实时监控tensorboard --logdir runs/detect/train然后在浏览器里打开对应的端口就能看到loss曲线和mAP曲线实时更新。这样你可以在训练过程中就判断模型有没有跑偏不用等训练结束。早停策略我用的是patience50意思是如果验证集上的mAP连续五十轮没有提升就自动停止训练。这个参数能省不少时间避免在已经收敛的模型上继续浪费算力。提示早停的patience不要设太小。我试过设成二十结果模型在第三十轮的时候mAP有一个小幅下降然后第四十轮又升上去了但早停已经在第三十轮触发了白白错过了后面的提升。五十是一个比较稳妥的值。4.5 模型验证与指标解读训练完之后用验证集跑一遍yolo detect val modelruns/detect/train/weights/best.pt datapcb.yaml输出的指标里重点看这几个mAP0.5IoU阈值为0.5时的平均精度这个指标反映的是模型能不能把缺陷检出来。mAP0.5:0.95IoU阈值从0.5到0.95的平均精度这个指标反映的是框的位置准不准。Precision查准率模型说是缺陷的里面有多少是真的缺陷。Recall查全率真的缺陷里面有多少被模型检出来了。对于PCB缺陷检测Recall比Precision更重要。因为漏检一个缺陷的代价远大于误检一个。误检了你可以人工复核漏检了就直接流到客户手里了。所以调参的时候宁可牺牲一点Precision也要把Recall拉上去。具体做法是降低置信度阈值。默认的置信度阈值是0.25你可以降到0.15甚至0.1这样更多的候选框会被保留Recall会上升但Precision会下降。降到多少合适得看你的产线能接受多少误检率。4.6 模型导出与推理部署训练好的模型要导出成推理格式。我用的是ONNXyolo export modelbest.pt formatonnx imgsz640导出的ONNX模型可以用ONNX Runtime来推理也可以进一步转成TensorRT来加速。TensorRT的推理速度比ONNX Runtime快大概百分之三十到五十但转换过程稍微麻烦一点需要装TensorRT的库。推理的代码大概长这样from ultralytics import YOLO model YOLO(best.onnx) results model(test_image.jpg, conf0.15) for result in results: boxes result.boxes for box in boxes: cls int(box.cls[0]) conf float(box.conf[0]) xyxy box.xyxy[0].tolist() print(f类别: {cls}, 置信度: {conf:.2f}, 位置: {xyxy})这段代码里conf0.15就是前面说的降低置信度阈值来提升Recall。实际部署的时候这个阈值要根据产线的误检容忍度来调。5. 常见问题与排查技巧实录5.1 训练loss不下降怎么办这是最常见的问题。可能的原因有几个第一学习率设得太小。如果lr0设的是0.0001那loss下降会非常慢看起来就像不下降。解决办法是把学习率调到0.01试试。第二数据集标注有问题。如果标注文件里的坐标格式不对或者类别编号超出了names的范围模型学到的就是噪声。解决办法是写个脚本检查一遍所有标注文件确保格式正确。第三预训练模型和任务不匹配。如果你用的是COCO预训练的模型而你的数据集和COCO差异很大那模型需要更多的轮数来适应。解决办法是增加epochs或者用更大的学习率先跑几轮预热。5.2 验证集mAP很高但实际推理效果差这个问题通常是数据集划分有问题。前面说过如果训练集和验证集里有来自同一块板子的图像验证集的mAP会虚高。解决办法是按板子划分数据集确保验证集里的板子在训练集里没出现过。另一个可能的原因是验证集和实际推理场景的分布不一致。比如验证集用的是暗箱里拍的图但实际推理是在产线上自然光下拍的光照条件不一样模型的表现自然差。解决办法是让验证集的采集条件和实际推理条件保持一致。5.3 小目标漏检严重怎么办PCB上的小目标漏检是这类项目的典型难点。我试过几种办法第一种是提高输入分辨率。把imgsz从640提到八百甚至一千零二十四小目标在图像里占的像素多了模型更容易学到特征。代价是推理速度下降显存占用增加。第二种是用mosaic增强。mosaic把四张图拼成一张相当于变相提高了小目标的密度模型在训练时见过更多的小目标样本。第三种是调整anchor的尺寸。YOLOv8是anchor-free的不需要手动设anchor但你可以通过调整reg_max参数来改变框回归的范围。默认的reg_max是十六对于特别小的目标可以降到八。第四种是在损失函数里给小目标更高的权重。YOLOv8本身不支持这个但你可以通过复制小目标的样本来间接实现。5.4 模型过拟合怎么判断和处理过拟合的典型表现是训练集上的loss持续下降但验证集上的loss开始上升mAP停止增长甚至下降。处理过拟合的办法有几个增加数据量。这是最根本的办法但采图和标注都需要时间。加数据增强。前面说的亮度扰动、高斯噪声、随机裁剪都能增加数据的多样性。减小模型复杂度。把yolov8s换成yolov8n参数量少了过拟合的风险就低了。加正则化。YOLOv8默认有weight_decay可以适当调大。早停。在验证集mAP不再上升的时候及时停止训练。5.5 常见问题速查表问题现象可能原因排查方法解决办法loss不下降学习率太小看loss曲线的斜率调大lr0loss不下降标注格式错误检查txt文件重新标注或修正格式mAP虚高数据集划分不当检查训练集和验证集是否有同板图像按板子划分小目标漏检输入分辨率太低看小目标在图像中的像素数提高imgsz过拟合数据量不足看训练和验证loss的差距加数据增强或减模型推理速度慢模型太大看模型参数量换小模型或转TensorRT误检率高置信度阈值太低看Precision指标调高conf阈值5.6 几个踩过的坑和独家技巧第一个坑是标注文件的编码问题。LabelImg在某些系统上保存的txt文件是GBK编码的而Ultralytics读的是UTF-8结果读出来是乱码。解决办法是统一用UTF-8编码保存或者在读之前转码。第二个坑是图像文件名里的特殊字符。如果文件名里有空格或者中文Ultralytics在读的时候可能会报错。解决办法是把所有文件名改成英文加数字的组合。第三个技巧是用伪标签做半监督学习。当你标了几百张图之后可以用训练好的模型去预测未标注的图像把置信度高的预测结果当作标签加入训练集。这样可以用较少的标注成本获得更多的训练数据。我试过用这个方法在标注了三百张图的基础上用伪标签扩充到八百张mAP提升了大概三个百分点。第四个技巧是多模型集成。训练几个不同版本的YOLO比如yolov8n、yolov8s、yolov8m推理的时候把它们的预测结果做NMS融合。这样做的代价是推理时间翻倍但Recall能提升两到三个百分点。对于漏检代价很高的场景这个投入是值得的。6. 从训练到产线部署环节的几个实际问题模型训练出来只是第一步真正把它用到产线上还有几个问题要解决。第一个是推理速度的稳定性。训练的时候你用的是离线图像推理速度波动不大。但产线上是连续图像流如果某一帧的推理时间突然变长后面的帧就会堆积。解决办法是用TensorRT加速并且设置一个推理超时超时的帧直接跳过避免阻塞。第二个是模型更新的平滑过渡。产线不能停你不可能把模型换掉再重新启动。我的做法是双模型并行新模型先跑影子模式只记录不报警等验证稳定了再切换成主模型。这样切换的时候没有停机时间。第三个是误检的人工复核流程。模型再准也会有误检关键是误检之后怎么办。我的做法是模型检出的缺陷自动截图推送到一个复核界面由质检员快速确认。确认是误检的标记出来定期拿这些误检样本去重新训练模型。这样就形成了一个闭环模型会越用越准。第四个是数据回流机制。产线上每天产生的图像不能检完就扔。要把那些模型置信度处于临界区间的图像保存下来定期人工复核把新的缺陷类型和难例加入训练集。这个机制能让模型持续进化适应新的缺陷形态。这套流程跑下来我从零开始到产线部署大概花了三周时间。其中采图和标注占了两周训练和调参占了三天部署和调试占了四天。如果你有现成的数据集那整个周期可以压缩到一周以内。最后分享一个小技巧训练的时候把最好的模型和最后一个模型都保存下来。best.pt是验证集上mAP最高的模型last.pt是最后一轮的模型。有时候last.pt在实际推理中的表现反而比best.pt好因为best.pt可能是在验证集上过拟合的。两个都留着实际部署的时候都试一下选效果好的那个。

基于YOLO的PCB缺陷检测实战：从数据集构建到模型训练部署全流程

相关推荐

RBF神经网络监督控制在船舶自动舵中的Matlab实现与参数调节

数据中台落地难？2023年分层建模与元数据驱动实战指南

嘉立创封装导入Altium Designer的三大优化步骤：尺寸复核、机械层清理与库归档

更多资讯

Flutter-OH 3.41 内存优化实战：鸿蒙应用性能提升与迁移指南

Barrier 2.4.0 / 2.3.4 发布说明深度解读：客户端身份验证、SHA256 指纹与加密命令行选项

uniapp小程序机型适配全解析：从渲染内核到rpx与真机调试

eShopOnWeb单元测试教程：Builder模式+FluentAssertions打造高可维护测试

移动端发热元凶？光照烘焙让GPU功耗直降，画面不缩水

可修复系统可靠性评估：状态空间法、频率平衡法与框图法详解

今日更新

校园网认证计费模式详解：AAA与代拨架构、原理及排障

Spring Boot+Vue垃圾分类毕设：分层、权限与排错实战

把 Cline 的 Base URL 改到 TaoToken 之后，DeepSeek 仍能修调试配置

本周精选

AI驱动的自动化专利分析平台技术解析

LeetCode-Go 题解：1252. Cells with Odd Values in a Matrix（奇数值单元格计数）双解法剖析

在线答疑系统Java毕设实战：Spring Boot前后端分离与状态流转

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？