使用YOLOX检测PCB的缺陷

2022-10-16 20:38 111 阅读 ID:418
磐创AI
磐创AI

再突破!曹原新年首篇Nature

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]

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。

你可以从数据集链接获得关于它的更深入的信息⁵:

https://github.com/tangsanli5201/DeepPCB

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:

https://github.com/tangsanli5201/DeepPCB

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

你还可以从此处的gist复制整个编辑的配置,并使用它来训练模型:

https://gist.github.com/Praneet9/75f8bd9536455b99b942740b83423d24

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!

你可以在这里找到谷歌Colab上的训练和推理代码:

https://colab.research.google.com/drive/1cbXvQm29koR6MnX_f130NIapGhtw4wYR?usp=sharing

你也可以尝试我们预先训练的模型,并使用它进行推理。预先训练的模型可以在这里下载:

https://drive.google.com/file/d/19dTqDVHyoRmC3LJdJUypy-zcXb1BhqN0/view?usp=sharing

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

  1. PCB Definition: https://en.wikipedia.org/wiki/Printed_circuit_board
  2. PCB Image: https://en.wikipedia.org/wiki/File:SEG_DVD_430_-_Printed_circuit_board-4276.jpg
  3. Common PCB defects: https://blog.matric.com/7-types-of-pcb-soldering-defects-to-watch-out-for
  4. PCB Defect Dataset Paper: https://arxiv.org/abs/1902.06197
  5. PCB Defect Dataset: https://github.com/tangsanli5201/DeepPCB
  6. MMDetection: https://github.com/open-mmlab/mmdetection
  7. YOLOX Paper: https://arxiv.org/abs/2107.08430
  8. OpenMMLab: https://openmmlab.com/

感谢阅读!

免责声明:作者保留权利,不代表本站立场。如想了解更多和作者有关的信息可以查看页面右侧作者信息卡片。
反馈
to-top--btn