基于YOLOv8深度学习的PCB缺陷检测识别系统【python源码+GUI界面+数据集+训练代码】

一、界面功能展示

二、前言摘要

三、GUI界面演示

（一）用户加载自定义模型

（二）单张图像检测

（三）检测图像文件夹

（四）检测视频

（五）保存

四、模型训练以及训练结果

一、界面功能展示

基于YOLOv8的PCB板缺陷检测系统

二、前言摘要

摘要：本文提出了一种基于YOLOv8算法的印刷电路板（PCB）缺陷智能检测系统，旨在提升电子制造领域的质量控制效率。针对传统检测方法在复杂缺陷识别中的局限性，本研究采用改进型YOLOv8目标检测框架。系统首先构建包含短路、断路、焊点缺陷、划痕等典型缺陷的多源PCB图像数据库，通过数据增强策略优化样本多样性。系统架构集成图像预处理、动态推理和可视化分析模块，可实时处理产线采集的PCB图像并输出缺陷定位及分类结果。通过实验验证，基于YOLOv8的PCB缺陷检测系统展现出优异的准确性和实时性。

三、GUI界面演示

首先，基于YOLOv8的PCB缺陷检测系统主要用于PCB板上缺陷的识别，显示缺陷目标在图像中的类别、位置、数目、置信度等；可对单张图片、文件夹、视频文件读取的图像，或从摄像头获取的实时画面中的PCB缺陷进行识别，算法模型可选择替换；（这里，支持多种算法切换-从YOLOv8-YOLOv11都是可以用的，如果你手头有训练好的不是YOLOv8的模型，那也可以使用，直接选择就能使用；兼容性比较高）；界面包含识别结果可视化，结果实时显示并能够进行目标逐个标注、显示和数据展示；画面显示窗口可缩放、拖动、自适应，结果可点击按钮保存，方便后续查阅使用。

1. 可进行6种PCB缺陷检测与识别，分别为： [

'mouse_bite': '鼠咬',

'open_circuit': '开路',

'short': '短路'，

'spur': '毛刺',

'spurious_copper': '杂铜',

'missing_hole': '缺失孔'

];
2. 支持图片、视频及摄像头进行检测，同时支持图片的批量检测；
3. 界面可实时显示目标位置、目标总数、置信度、用时等信息;
4. 支持图片或者视频的检测结果保存；

（一）用户加载自定义模型

点击加载自定义模型图标，选择模型权重文件（我放在models里面了）操作演示如下：

3月14日

（二）单张图像检测

点击加载图像按钮，加载完成后点击开始检测按钮，进行检测；

3月14日(1)

（三）检测图像文件夹

点击加载文件夹按钮，点击开始检测开始，停止检测停止，检测结果在检测结果框里，右侧会有检测图像的名称，双击即可随意切换；

3月14日(2)

（四）检测视频

点击检测视频文件夹；即可检测

3月14日(3)

（五）保存

点击保存结果按钮，输入要保存的名称即可保存；

四、模型训练以及训练结果

数据集展示：通过网络上搜集关于PCB缺陷的各类图片，并使用LabelMe标注工具对每张图片中的目标边框（Bounding Box）及类别进行标注。一共包含693张图片，其中训练集包含554张图片，验证集包含139张图片，部分图像及标注如下图所示。

在训练模型之前，为了让我们的数据能够被YOLO找到，我们需要写一个data.yaml文件存储在目录下，在其中记录下数据的路径和模型要识别的标记类别，文件内容如下所示。YOLO通过读取目录下的data.yaml文件，进而找到我们数据集存储的位置才能读取数据进行训练验证。

train: \PCBDetection\datasets\PCB_DATASET\train  # train images (relative to 'path') 128 images
val: \PCBDetection\datasets\PCB_DATASET\val  # val images (relative to 'path') 128 images
test:  # val images (optional)# number of classes
nc: 6# Classes
names: ["missing_hole", "mouse_bite", "open_circuit", "short", "spur", "spurious_copper"]

我们可以在终端输入如下命令进行训练，当然也可以直接点击train.py运行。

python train.py --batch 32 --epochs 300 --data data.yaml --weights yolov8n.pt 
完整代码地址：https://mbd.pub/o/bread/mbd-aJaUmJ5t

在深度学习中，我们通常通过损失函数下降的曲线来观察模型训练的情况。而YOLOv8训练时主要包含三个方面的损失：矩形框损失(box_loss)、置信度损失（obj_loss）和分类损失(cls_loss)，在训练结束后，我们也可以在logs目录下找到生成对若干训练过程统计图。下图为博主训练模型训练曲线图。