💡 阅读指南

如果你只想快速了解最终方案，请直接查看 yolo/ 目录；如果你想了解完整的技术探索历程（含Patchcore方案的尝试与放弃），请从 data_generation/ 目录开始。

PCB工业缺陷检测系统

基于YOLOv8的PCB电路板缺陷检测模型，实现6种常见缺陷的精准识别与定位，mAP50达到93.7%。

项目亮点

• 完整工业级闭环：从数据探索、模型选型、训练调优到TensorRT量化部署，全流程独立完成
• 极致推理性能：完成YOLOv8模型的TensorRT FP16量化加速，推理速度提升8.3倍，从84.5ms/张降至10.2ms/张，满足工业实时检测需求
• 严谨的技术选型：经过Anomalib无监督异常检测、SeaS生成式数据增强等前沿方案的实验验证，最终选择YOLOv8有监督学习方案，每一步决策都有实验数据支撑
• 扎实的工程能力：独立解决Python环境配置、API版本兼容、外网模型下载超时、Windows长路径限制等实际工程问题
• 100%可复现：所有代码、数据路径、训练参数、评估指标均清晰记录，可直接复现全部实验结果

效果展示

训练与验证指标

数据集	mAP50	精确率(P)	召回率(R)
验证集 (valid)	0.928	0.957	0.876
测试集 (test)	0.937	0.969	0.881

各缺陷类别检测精度 (测试集)

缺陷类别	mAP50	评价
missing_hole (漏孔)	0.995	接近满分，几乎完美识别
short (短路)	0.982	接近满分，检出率极高
spurious_copper (杂铜)	0.945	优秀
open_circuit (开路)	0.932	优秀
mouse_bite (鼠咬)	0.896	良好，形态不规则但仍能检出
spur (毛刺)	0.868	良好

检测效果图

检测效果图存放于 yolo/val 目录下，包含各缺陷类别的检测框可视化结果。

项目结构

PCB_defect_detection/

├── README.md # 项目说明文档

├── requirements.txt # 环境依赖清单

├── yolo / # YOLO训练与测试脚本

│ ├── dataset.yaml # 数据集配置文件

│ ├── train_model.py # YOLOv8训练脚本

│ ├── test_yolo.py # 模型测试与评估脚本

│ └── train/ # 训练好的模型权重

│ └── val # 模型预测效果图 (mAP50=0.937)

├── data_generation / # 数据探索与增强模块(Patchcore模型尝试)

│ ├── PCB_USED # 无缺陷pcb板图像

│ ├── results # 训练好的Patchcore模型权重

│ ├── sliced_dataset # 数据增强模块

│ ├── Anomalib.py # 训练模型

│ ├── Anomalib_No2.py # 训练模型NO.2

│ ├── data_enhance.py # 数据增强

│ ├── data_enhance_plus.py # 数据增强NO.2

│ ├── good_test.py # 验证模型

│ ├── slice_good_pcbs.py # 划分10张无缺陷PCB板

│ ├── wide_resnet50_2.racm_in1k # Anomalib的backbone权重，用于特征提取

│ └── course_screenshot # 探索历程截图证据（详见下文）

├── dataset # 原始数据集

│ ├── PCB_datas # 数据集划分

│ ├── test # 检查数据集脚本文件

└── DeepPCB-master # 二值图像素级缺陷数据集

探索历程：在最终方案之前的尝试与验证

本项目并非一步到位。在最终选择YOLOv8之前，我进行了系统的技术探索，每一步失败都为最终成功提供了关键线索。

第一阶段：数据探索与问题发现

核心发现：公开数据集先天不足——没有一张无缺陷PCB板图像。

我首先对下载的公开PCB数据集进行了完整的数据探索：

• 写脚本遍历train/labels目录下的2772个标注文件，检查每个文件的内容是否为空。
• 实验结果：所有2772个标注文件均包含缺陷坐标信息，连一个空文件都没有。
• 结论：该数据集仅适合训练有监督检测模型，无法直接用于无监督异常检测方案。

📸 关键证据截图： 该三张截图清楚显示：“完好的PCB图像: 0张，有缺陷的PCB图像: 2772张，且不存在txt坐标文件与图像数量不一致的情况，杜绝了该数据集存在无缺陷PCB板图像的可能”。

第二阶段：无监督异常检测方案（Anomalib/Patchcore）

技术选型：为应对“正样本稀缺”的工业痛点，选择Intel Anomalib库中的Patchcore模型进行无监督异常检测，为此我花了大量的时间去GitHub以及kaggle上寻找无缺陷PCB正样本图像，但最终也只是在“北京大学人机交互开放实验室发布的PCB缺陷数据集”中找到了10张可用的无缺陷PCB图像。

实验设计：

1. 将10张真实无缺陷好板按8/2划分：8张用于训练，2张用于验证。
2. 对训练集切片并进行两轮数据增强（基础增强：翻转/亮度；进阶增强：CutMix/Mosaic/随机裁剪）。
3. 使用Wide-ResNet50-2作为特征提取器，训练Patchcore模型。

实验结果：

验证集类型	验证集数量	正确判定	准确率
独立验证集 (test/good)	35张	0张	0.0%
原始10张好板 (PCB_USED)	10张	0张	0.0%
训练集自身 (good_plus)	945张	3张	0.2%

失败原因分析：

• 样本多样性绝对不足：虽然通过切分和增强将数量扩充至1315张，但其信息源头仅来自8张原始好板，无法覆盖PCB板的全部纹理类型。
• Patchcore模型特性：该模型为“分布外泛化”能力极弱，会将任何未见过的新纹理都判定为异常。在工厂部署需“搜罗市面上所有PCB类型”才能避免误检，违背了“低成本冷启动”的初衷。
• 结论：此方案在当前条件下不具备工程可行性，果断放弃。

📸 关键证据截图：

该截图清楚显示：“验证集总数: 35张，正确判定为正常: 0张，准确率: 0.0%，甚至采用训练模型的数据集做缺陷检测，在模型已知答案的情况下，仍然存在严重误检，正确率仅为0.2%”。

补充探索：基于 SeaS 少样本生成模型的数据增强方案

针对无监督方案暴露的无缺陷PCB正样本数量少、采集成本高的核心痛点，我进一步调研了 ICCV 2025 前沿工业生成模型 SeaS（Separation and Sharing Fine-tuning），尝试通过AI生成虚拟样本完成项目冷启动。

SeaS 基于扩散模型架构，主打少样本工业图像生成，理论上仅需 1–5 张真实无缺陷样本，即可批量生成高保真的虚拟PCB图像与对应掩码，非常契合本场景需求。

经过预研评估，该方案存在两处关键落地瓶颈：

1. 验证条件不足：项目仅收集到10张无缺陷原图，若拆分出部分样本用于模型训练，剩余可用作验证的真实样本数量过少，不具备统计参考价值，无法有效判定生成图像的分布真实性与实际可用性。工业场景下，可靠验证通常需要数十张真实样本作为支撑。
2. 工程链路复杂、性价比偏低：整套流程需要先后训练生成模型、再训练无监督检测模型，环节多、不确定性强。结合本项目缺陷标注样本储备充足的现状，该方案额外增加了大量开发与验证成本。

综合判断后，基于ROI原则，暂时搁置SeaS生成式增强路线，优先采用数据充足、链路简单、效果可控的有监督方案完成项目落地。后续若遇到真正的少样本工业场景，可重启该方向的探索。

第三阶段：有监督检测方案（YOLOv8）

技术选型：放弃无监督方案，转向有监督学习。利用已有的2772张标注缺陷图（含6种缺陷类别）训练YOLOv8模型。

训练配置：

• 模型：YOLOv8n (预训练权重)
• 数据：2772张训练图 + 366张验证图
• 参数：epochs=100, batch=6, imgsz=640, optimizer=AdamW
• 早停机制：patience=20 (设置patience=20，训练全程未触发早停，说明模型在验证集上的mAP指标持续提升，100轮训练充分利用了数据，没有过早收敛。)

最终成果：

• mAP50 = 93.7% (测试集)，满足工业级检测标准
• 漏孔和短路缺陷检测精度接近满分 (0.995 / 0.982)
• 模型已可直接部署使用

技术选型总结

方案	尝试动机	失败/成功原因	结论
Anomalib (Patchcore)	解决正样本稀缺问题	少样本下无法建立可靠正态标准	放弃
SeaS 少样本生成增强	借助 AI 生成扩充无缺陷正样本，支撑无监督方案冷启动	真实样本总量过少，验证集不具备统计可信度；工程链路长、性价比低	放弃
YOLOv8	利用现有标注数据实现缺陷检测	数据充足，模型成熟，效果显著	采用

核心价值：本项目的真正价值不在于“用YOLO跑通了一个公开数据集”，而在于完成了“发现数据问题 → 探索前沿方案 → 实验验证边界 → 转向成熟技术 → 拿到可交付结果”的完整技术决策流程。这种“知道什么时候该用什么工具”的判断力，才是工业界真正需要的。

环境依赖

详见 requirements.txt

核心依赖：

• Python 3.10
• PyTorch 2.6.0 (CUDA 12.4)
• ultralytics 8.4.53
• opencv-python 4.13.0
• albumentations 1.4.0

快速开始

1. 克隆项目

git clone https://github.com/XHmodel/PCB_defect_detection.git
cd PCB_defect_detection

2. 安装依赖

pip install -r requirements.txt

3. 训练模型

python yolo/train_model.py

4. 训练评估

python yolo/test_model.py

未来展望

本项目已解决了“缺陷检测”和“模型部署”这两个核心问题。后续可扩展方向：

• ✅ 模型轻量化：将模型转换为TensorRT格式，部署到嵌入式设备（已完成，推理速度提升8.3倍）
• 缺陷分割：利用数据集自带的二值化Mask标注，从“框出缺陷”升级为“精确勾勒缺陷轮廓”
• 多尺度检测：优化小尺寸缺陷（如针孔、毛刺）的检测精度
• 边缘设备部署：将模型移植到Jetson Xavier等工业边缘计算板卡

PS:目前已将“未来展望”中“将模型转换为TensorRT格式，部署到嵌入式设备。”实现并落地，以下为落地过程记录：

• 流程一：使用onnx通用的中间格式，将已训练好的YOLO模型预训练权重文件“best.pt”做文件格式转换，便于后续适配部署流程。可见：yolo/train/weights/imgs/onnx_transition.png

• 流程二：下载英伟达官方提供的tensorRT工具，运行“流程一”转化好的best.onnx，进行模型部署以及推理加速，注意，这个环节非常注重GPU的CUDA以及CUDA工具包的版本，能否适配你下载的tensorRT版本，请在下载英伟达官方tensorRT之前确认 下载版本是否适配你设备的CUDA，否则就会像我一样卸载清除不适配CUDA的版本的tensorRT，然后重新安装：

• 

• 

• 最终部署效果为：相较于普通GPU做模型推理，目前使用tensorRT做模型部署和加速推理，推理速度提升了8.3倍！效果展示：

模型部署性能对比

推理框架	精度	单张图像推理耗时	FPS	加速比
PyTorch 原生	FP32	84.5ms	11.8	1.0x
TensorRT 量化	FP16	10.2ms	98.0	8.3x

许可证

本项目基于MIT许可证开源。