- 综合排序
- 最热优先
- 最新优先
- 来自专栏燧机科技-视频AI智能分析
PCB板缺陷检测识别系统
PCB板缺陷检测识别系统通过YOLOv7网络深度学习技术，PCB板缺陷检测识别系统对现场PCB是否存在缺陷部分进行实时分析检测，当PCB板缺陷检测识别系统检测到PCB本身存在缺陷的时候，立即抓拍存档告警方便后期对生产线针对性的进行调整改进从而提高良品率 YOLO系列算法是一类典型的one-stage目标检测算法，其利用anchor box将分类与目标定位的回归问题结合起来，从而做到了高效、灵活和泛化性能好，所以在工业界也十分受欢迎，接下来我们介绍YOLO Yolo模型采用预定义预测区域的方法来完成目标检测，具体而言是将原始图像划分为 7x7=49 个网格（grid），每个网格允许预测出2个边框（bounding box，包含某个对象的矩形框），总共 49x2 图片YOLOv7 在 5 FPS 到 160 FPS 范围内，速度和精度都超过了所有已知的目标检测器，并在V100 上，30 FPS 的情况下达到实时目标检测器的最高精度 56.8% AP。 相对于其他类型的工具，YOLOv7-E6 目标检测器（56 FPS V100，55.9% AP）比基于 transformer 的检测器 SWINL Cascade-Mask R-CNN（9.2 FPS
92940编辑于 2023-01-20 - 来自专栏燧机科技-视频AI智能分析
PCB板缺陷检测机器视觉识别系统
PCB板缺陷检测机器视觉识别系统通过python+yolo系列网络深度学习模型对PCB电路板外观实时监测，PCB板缺陷检测机器视觉识别系统监测到有缺陷的PCB板时立即抓拍存档。 Yolo模型采用预定义预测区域的方法来完成目标检测，具体而言是将原始图像划分为 7x7=49 个网格（grid），每个网格允许预测出2个边框（bounding box，包含某个对象的矩形框），总共 49x2 我们将其理解为98个预测区，很粗略的覆盖了图片的整个区域，就在这98个预测区中进行目标检测。 我们使用YOLO(你只看一次)算法进行对象检测。YOLO是一个聪明的卷积神经网络(CNN)，用于实时进行目标检测。
1K40编辑于 2023-01-09 - 来自专栏3D视觉从入门到精通
缺陷检测 | PCB AOI质量检测之自动定位核选取算法
PCB产品AOI检测，需要将模版与实际图像对齐，因此需要定位功能。定位功能就需要选取定位核，定位核的提取方法分为手动和自动。 PCB由于高精度成像和高标准检测需求，决定了一个料号可能需要几百甚至上千个定位核，所以需要实现自动选取定位核的功能；检测时料号是未知的，且切换比较频繁，所以无法离线选取定位核，因此算法要求满足实时性。 图 4 彩色图及对应的梯度图 PCB产品的模板图像一般由Gerber或ODB++文件解码生成，因此自动选定位核的输入图像一般为二值图，图案由直线和弧形组成，其所对应梯度信息如下图所示： ? ? 图5 PCB二值图及对应的梯度图 可见，适合选取定位核的位置如下图所示： ?
1.4K30发布于 2020-12-11 - 来自专栏贾志刚-OpenCV学堂
实战 | 基于YOLOv8的PCB板缺陷检测
介绍 基于DeepPCB这个公开数据集，总计有1500份的模板-缺陷图像数据对，总计图像3000张，对应text格式的1500个标注文本描述文件。 包含PCB主要的六个类别错误，分别是： pen short mousebite spur pin hole spurious copper 数据集来自线扫相机拍摄，分辨率标准是48个像素大致等于1毫米。 处理以后的图像对(缺陷图-模板图)显示如下： 数据标注的的格式为：x1 y1 x2 y2 type 标注数据分为两个部分1000张作为训练样本，500张作为做测试样本，训练与测试样本的缺陷数据统计分布如下 不知道怎么制作的看这里： YOLOv8自定义数据集训练到模型部署推理 制作好数据集，配置好数据集描述文件， 然后直接使用下面的命令行开始训练： yolo train model=yolov8s.pt data=pcb_dataset.yaml epochs=15 imgsz=640 batch=1 训练完成之后如下： 测试评估的结果如下： 推荐阅读 用注意力机制魔改YOLOv5涨点 一个教程搞定YOLOv8 对象检测+跟踪+分割
1.6K30编辑于 2023-08-22 - 来自专栏成套网站
基于YOLOv8+pyqt5的pcb缺陷检测系统
传统PCB缺陷检测主要依赖人工目检与自动光学检测（AOI）设备。 因此，开发一种高效、精准、低成本的PCB缺陷检测方案成为行业迫切需求。深度学习技术的突破为PCB缺陷检测提供了新思路。 然而，随着PCB向高密度、多层化方向发展，生产过程中产生的缺陷类型愈发复杂多样，传统检测手段的局限性日益凸显，基于YOLOv8与PyQt5的PCB缺陷检测系统的研究因此具有深远意义。 YOLOv8算法凭借其卓越的目标检测能力，能够精准识别PCB图像中微小且形态各异的缺陷，如短路、断路、毛刺等，显著提升了检测精度，克服了传统方法对复杂缺陷识别能力不足的短板。 实验结果表明，优化后的YOLOv8模型在PCB缺陷检测任务中展现出更高的检测精度与更快的推理速度，且具有良好的泛化能力，能够适应不同生产环境下的复杂缺陷检测需求。
26810编辑于 2026-01-01 - 来自专栏AIoT技术交流、分享
MATLAB实现工业PCB电路板缺陷识别和检测
随着印刷电路板的精度、集成度、复杂度、以及数量的不断提高，PCB板的缺陷检测已成为整个电子行业中重要的检测内容。 其中人工目测等传统的PCB缺陷检测技术因诸多弊端已经不能适应现代工业生产水平的要求,因此开发和应用新的检测方法已显得尤为重要。 根据PCB板缺陷产生的原因和目前惯用的缺陷检测方法及其不足，发展出了符合现代工业要求的PCB一般缺陷检测方法包括：自动光学检测技术（AOI）、机器视觉检测技术（MVI）、计算机视觉检测技术（AVI）。 PCB板检测的大概流程如下：首先存储一个标准PCB板图像作为良好板材的参考标准，然后将待检测的PCB板图像进行处理，比较与标准PCB图像的差异，根据差异的情况来判断缺陷类型。 项目资源下载请参见： MATLAB实现工业PCB电路板缺陷识别和检测【图像处理实战】
82820编辑于 2023-05-07 - 来自专栏机器学习AI算法工程
yolov5的PCB缺陷检测，引入CVPR 2023 BiFormer
一、数据集介绍 印刷电路板（PCB）瑕疵数据集：数据下载链接，是一个公共的合成PCB数据集，由北京大学发布，其中包含1386张图像以及6种缺陷（缺失孔，鼠标咬伤，开路，短路，杂散，伪铜），用于检测，分类和配准任务 数据样本示例： 1.PCB数据集介绍 PCB是最具竞争力的产业之一，其产品的优良则关系到企业的发展。由于产品外观缺陷的种类非常广泛，所以较一般电子零部件的缺陷检测更加困难。 PCB 板缺陷包括短路、多铜及少铜、断路、缺口、毛刺等。利用深度学习技术采用人工智能学习PCB图像，可以分析复杂的图像，大幅提升自动化视觉检测的图像判读能力和准确度，并可将缺陷进行分类。 PCB数据集共有六种缺陷，分别是"missing_hole","mouse_bite","open_circuit","short","spur","spurious_copper"，缺陷属于小目标缺陷检测 最后，通过在图像分类、目标检测和语义分割等多项计算机视觉任务的实证结果充分验证了所提方法的有效性。
1.5K20编辑于 2023-10-19 - 来自专栏机器视觉那些事儿
凹坑缺陷检测
原图来自Ihalcon论坛 一个非常小的凹坑位于图中间 - 算法思路 - 利用灰度统计特性进行缺陷检测 原图噪声比较大，进行高斯滤波 计算灰度统计特性 intensity (ImageGauss, ImageGauss, Mean, Deviation) 利用灰度统计特性，检测亮缺陷 亮缺陷检测代码如下 *亮缺陷 threshold(ImageGauss, LightRegion, Mean + Radius2 - max(Radius2) + 0.001), 1, Indices) select_obj (ConnectedRegions, ObjectSelected, Indices +1) 检测暗缺陷 检测暗缺陷代码 *暗缺陷 threshold(ImageGauss, DarkRegion, 0, Mean - 1.5*Deviation) fill_up (DarkRegion, RegionFillUp , 0, 5) 合并缺陷
1.9K20发布于 2019-06-24 - 来自专栏机器视觉那些事儿
边缘缺陷检测
原图来自Ihalcon论坛 缺陷如在下图圆框中 ? 首先，阈值分割+形态学处理，将包含边缘部分图像进行抠图 然后使用canny滤波器进行边缘检测 如下图红、绿双线 ? 计算待检测边缘上的点到平滑后边缘的距离，超过一定阈值公差即为缺陷 如下图 ? 缺陷检测关键代码 *选择待检测边缘 select_obj(UnionContours, ObjectSelected, Index) *平滑边缘 smooth_contours_xld :=[] *用于保存缺陷边缘Y坐标 flawPtsY :=[] *得到待检测边缘点坐标 get_contour_xld(ObjectSelected, Row2, Col2) *待检测边缘上点到平滑边缘的距离 tuple_length(Row2, Length) for Index1 := 0 to Length-
2.5K20发布于 2019-06-19 - 来自专栏OpenCV与AI深度学习
Halcon缺陷检测实例转OpenCV实现(六) 瓶口缺陷检测
本期文章继续介绍缺陷检测专题的第六个案例，用OpenCV实现Halcon中一个瓶口缺陷检测的实例，前面案例链接如上↑↑↑。 Halcon中对应的例子为inspect_bottle_mouth.hdev，用于检测酒瓶瓶口是否出现破损等缺陷情形，检测效果如下： (1) 正常情瓶口完整，无破损 ? 实例主要步骤包含五步，分别是： 使用阈值处理和形态学粗定位品口位置； XLD轮廓拟合最近似的圆形区域作为瓶口的轮廓； 极坐标变换，转换到水平或垂直方向进行处理； 均值滤波图与原图做差分，根据阈值提取； 将绘制的缺陷部分通过反极坐标变换投影到原图上
4.6K21发布于 2021-01-08 YOLO-pdd多尺度PCB缺陷检测算法实现99%高精度
【导读】如何在保证实时性的同时大幅提升PCB缺陷检测的准确率？ 因此，这项研究代表了PCB缺陷检测领域计算机视觉技术的重大突破，为制造业提供了可靠的缺陷检测解决方案。 为了确保PCB的质量，行业内采用了多种方法进行缺陷检测和电气测试。手动缺陷检测方法缺陷检测一直是PCB制造领域的重要环节。传统的手动视觉检查是主要采用的方法之一。 提出的PCB缺陷检测框架提出的PCB缺陷检测框架利用深度卷积神经网络（CNN）实现高精度、鲁棒性、实时性能、领域适应、泛化能力和效率。 这对于检测PCB中各种尺寸的缺陷特别有用。 2. 检测准确性提升：该组合显著提升缺陷检测准确性，尤其对小型复杂缺陷效果显著。Res2Net的多尺度处理与YOLOv5的稳健检测框架相辅相成。3.
96210编辑于 2025-07-30- 来自专栏3D视觉从入门到精通
缺陷检测开源工具
图案化和非图案化的晶圆缺陷检查和鉴定工具可在晶圆的前表面，后表面和边缘上发现颗粒和图案缺陷，从而使工程师能够检测和监控关键的良率偏移。 二、A toolbox for surface defects saliency detection（表面缺陷显着性检测） 下载链接： https://github.com/abin24/Saliency-detection-toolbox 该工具箱中包含14个检测模型，分别是： 1、视觉注意机制的ITTI和BMS； 2、基于全局颜色稀疏度的FT，LC和HC; 3、基于局部颜色稀疏度的AC和MSS； 4、基于频域分析的SR，Rudinac 三、基于PCB的缺陷检测 代码链接： https://github.com/Ixiaohuihuihui/Tiny-Defect-Detection-for-PCB 代码介绍：主要针对PCB的六类缺陷（ 缺失孔，鼠标咬伤，开路，短路，杂散，伪铜）的检测，分类和配准任务。
2K20发布于 2020-12-11 - 来自专栏YOLO大作战
一种基于YOLOv8的高精度PCB缺陷检测算法（原创自研）
本文内容：提出了一种基于YOLOv8的高精度PCB缺陷检测算法，包括1）一种基于内容引导注意力(CGA)的混合融合方案；2）广义高效层聚合网络（GELAN） | YOLOv9mAP@0.5由原始的0.966 缺陷检测数据集介绍 印刷电路板（PCB）瑕疵数据集是一个公共的合成PCB数据集，6种缺陷（缺失孔，鼠咬伤，开路，短路，杂散，伪铜），用于检测、分类和配准任务。 我们选取了其中适用于检测任务的693张图像，然后进行一倍数据扩充得到1386张细节图： 类别分布情况：2.基于YOLOv8的PCB缺陷检测2.1 原始结果原始mAP为0.966推理结果 2.2 一种基于内容引导注意力 mAP@0.5由原始的0.966提升至0.978 3.一种基于YOLOv8的高精度PCB缺陷检测算法（原创自研） 本文内容：提出了一种基于YOLOv8的高精度PCB缺陷检测算法，包括1）一种基于内容引导注意力 缺陷检测算法（原创自研）
87410编辑于 2024-09-25 电路板PCB缺陷检测数据集VOC+YOLO格式9666张8类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
55510编辑于 2025-07-16- 来自专栏AI
从人工目检到 AI 质检-YOLOv8 驱动的 PCB 缺陷检测系统【完整源码】
从人工目检到AI质检-YOLOv8驱动的PCB缺陷检测系统【完整源码】一、项目背景与研究意义在电子制造领域，PCB（PrintedCircuitBoard，印制电路板）缺陷检测是保障产品质量的核心环节之一 ，基于目标检测模型的PCB缺陷自动识别方案逐渐成为工业视觉的主流方向。 本项目基于UltralyticsYOLOv8构建了一套完整的PCB缺陷检测系统，并通过PyQt5桌面界面实现“非算法人员也能直接使用”的工业级应用形态。 YOLOv8网络结构整体分为：Backbone：特征提取Neck：FPN+PAN融合Head：目标分类与回归4.2工业缺陷检测的适配性分析PCB缺陷检测具有以下特点：小目标密集纹理复杂对误检容忍度低YOLOv8 工业系统对接MES/PLC接口Web可视化平台十、结语本项目不仅是一个YOLOv8目标检测示例，更是一套真正可用于工业场景的PCB缺陷检测解决方案。
49710编辑于 2025-12-28 基于yolov8的PCB缺陷检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv8的PCB缺陷检测系统是一种高效且准确的解决方案，用于识别印刷电路板（PCB）在生产过程中出现的各种缺陷，如短路、断路、孔洞等。 该系统通过深度神经网络模型对PCB图像进行特征提取和分类，能够实时检测并识别出缺陷区域。 在构建基于YOLOv8的PCB缺陷检测系统时，首先需要构建一个包含各种PCB缺陷的图像数据集，并进行标注以便系统学习和识别。随后，使用这些数据集对YOLOv8模型进行训练和优化，以提高其检测性能。 训练完成后，将模型部署到实际环境中，通过摄像头或图像传感器获取PCB的实时图像，并自动进行缺陷检测和识别。 缺陷检测系统python源码+onnx模型+评估指标曲线+精美GUI界面_哔哩哔哩_bilibili【测试环境】windows10anaconda3+python3.8torch==1.9.0+cu111ultralytics
37110编辑于 2025-07-21- 来自专栏3D视觉从入门到精通
汇总|缺陷检测数据集
该数据库包括1,800个灰度图像：六种不同类型的典型表面缺陷，每一类缺陷包含300个样本。对于缺陷检测任务，数据集提供了注释，指示每个图像中缺陷的类别和位置。 2、如果将NEU表面缺陷数据库用于缺陷检测任务，则需要下载带有注释的图像文件，称为NEU-DET。 ? 五、印刷电路板（PCB）瑕疵数据集 数据下载链接： http://robotics.pkusz.edu.cn/resources/dataset/ 数据介绍：这是一个公共的合成PCB数据集，由北京大学发布 ，其中包含1386张图像以及6种缺陷（缺失孔，鼠标咬伤，开路，短路，杂散，伪铜），用于检测，分类和配准任务。 布匹疵点检验是纺织行业生产和质量管理的重要环节，目前人工检测易受主观因素影响，缺乏一致性；并且检测人员在强光下长时间工作对视力影响极大。
6.3K10发布于 2020-12-11 - 来自专栏OpenCV与AI深度学习
用深度学习实现异常检测缺陷检测
作者：Mia Morton 编译：ronghuaiyang 导读 创建异常检测模型，实现生产线上异常检测过程的自动化。在选择数据集来训练和测试模型之后，我们能够成功地检测出86%到90%的异常。 异常检测使我们能够从生产流程中修复或消除那些处于不良状态的部件。因此，由于避免生产和销售有缺陷的产品，制造成本降低了。 背景研究 异常检测与金融和检测“银行欺诈、医疗问题、结构缺陷、设备故障”有关(Flovik等，2018年)。该项目的重点是利用图像数据集进行异常检测。它的应用是在生产线上。 他们的兴趣在于识别和检测复杂的攻击。 我们使用1,000张属于训练组的无缺陷图像来生成合成数据数据集。
3.6K21发布于 2021-02-07 - 来自专栏ATYUN订阅号
AI与农业：苹果缺陷检测
，通过使用计算机视觉和深入学习自动检测、分类和识别受损的苹果。 它也被标注为目标检测训练，这是我们用来训练我们的人工智能模型来检测和识别苹果的过程。您可以通过下面的链接下载下面的数据集。 ，并识别出有缺陷的苹果（有斑点的苹果）。 你可以用这个训练过的模型 数苹果 发现有缺陷的苹果 正如您所看到的，我们刚刚创建了一个新的人工智能模型，可以用于苹果种植、生产和包装。我们的样本数据集是为检测和识别缺陷而准备的。 此任务可以是： 检测成熟和未成熟的苹果 检测不同大小的苹果 检测不同类型的苹果。 有关为自定义检测创建更多人工智能模型的详细信息，请访问下面提供的教程链接。
2.4K51发布于 2019-09-23 - 来自专栏智能算法
机器视觉表面缺陷检测综述
表面缺陷不仅影响产品的美观和舒适度，而且一般也会对其使用性能带来不良影响，所以生产企业对产品的表面缺陷检测非常重视，以便及时发现，从而有效控制产品质量，还可以根据检测结果分析生产工艺中存在的某些问题，从而杜绝或减少缺陷品的产生 机器视觉表面缺陷检测主要包括2维检测和3维检测，前者是当前的主要表面缺陷检测方式，也是本文的着重论述之处。 工业检测领域是机器视觉应用中比重最大的领域，主要用于产品质量检测、产品分类、产品包装等，如：零件装配完整性检测，装配尺寸精度检测，位置/角度测量，零件识别，PCB板检测，印刷品检测，瓶盖检测，玻璃、烟草 文献[31]研究了铝带连铸生产中的表面缺陷检测，通过红外检测提供铝带表面温度的分布情况以评估铝带质量，采集铝带图像，进行表面缺陷检测和分类。 采用结构方法提取图像纹理特征以进行表面缺陷检测的研究并不少见，Wen等人[101]利用结构法提取图像的边缘特征进行了皮革表面缺陷检测，Goswami等人[102]基于激光检测和形态学对织物疵点进行了检测
11.7K26发布于 2019-07-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号