Paddle 印刷电路板（PCB）瑕疵检测

框架介绍

PaddleDetection：飞桨推出的PaddleDetection是端到端目标检测开发套件，旨在帮助开发者更快更好地完成检测模型的训练、精度速度优化到部署全流程。该框架中提供了丰富的数据增强、网络组件、损失函数等模块，集成了模型压缩和跨平台高性能部署能力。目前基于PaddleDetection已经完成落地的项目涉及工业质检、遥感图像检测、无人巡检等多个领域。

印刷电路板（PCB）瑕疵数据集

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，随机选择593张图像作为训练集，100张图像作为验证集。

本项目选取yolov3_darknet.yml作为本项目的训练配置文件。该配置文件选取的是YOLOv3_darknet模型，骨干网络为DarkNet，yolo_head为YOLOv3Head。

yolov3_darknet_baseline.yml配置文件修改适配：
    max_iters: 2669
    num_classes: 6
    base_lr: 0.00025
    milestones: [1779, 2372]
    
yolov3_darknet_baseline.yml的Reader修改适配：
TrainReader:
    image_dir: images
    anno_path: Annotations/train.json
    dataset_dir: PCB_DATASET
    
EvalReader:
    image_dir: images
    anno_path: Annotations/val.json
    dataset_dir: PCB_DATASET

TestReader:
	anno_path: PCB_DATASET/Annotations/val.json

Anchor重新聚类

python tools/anchor_cluster.py -c ../yolov3_darknet_baseline.yml -n 9 -s 608 -m v2 -i 1000

结果如下：

anchors: [[8, 14], [13, 14], [10, 21],
           [21, 13], [16, 20], [12, 31],
           [30, 17], [22, 27], [36, 36]]

Anchor重新聚类完成后，修改配置文件中YOLOv3Head里的anchors字段，和TrainReader的Gt2YoloTarget中anchors字段。

训练与评估：

python -u tools/train.py -c yolov3_darknet_baseline.yml --eval
python -u tools/eval.py -c yolov3_darknet_baseline.yml -o weights=output/yolov3_darknet_baseline/best_model

最终评估结果如下图所示：

从上图中，可以看出YOLOV3_darknet模型在印刷电路板（PCB）瑕疵数据集数据集上的$\text{mAP}=34.9$。

补充

awesome-DeepLearning:一站式深度学习在线百科，内容涵盖零基础入门深度学习、产业实践深度学习、特色课程；深度学习百问、产业实践(开发中) 等等。从理论到实践，从科研到产业应用，各类学习材料一应俱全，旨在帮助开发者高效地学习和掌握深度学习知识，快速成为AI跨界人才。