X光PCB缺陷检测全套项目文档（YOLOv11n + PyQt5可视化界面）YOLO模型如何训练x光PCB板缺陷检测数据集

X光PCB缺陷检测全套项目文档（YOLOv11n + PyQt5可视化界面）

一、数据集完整参数统计表

7类缺陷样本&标注数量明细

数据集特点

1. 样本不均衡：元器件缺失样本最多，杂锡、焊点毛刺属于小样本缺陷；
2. X光透视成像：可检测电路板内部隐藏缺陷，肉眼可见光无法识别；
3. 三种标注格式可自由转换，适配各类检测框架；
4. 图像统一裁剪640×640，无需预处理缩放，直接适配YOLO输入尺寸。

二、运行环境配置

环境版本清单

• Python：3.8
• 深度学习框架：torch、torchvision
• 图像处理：opencv-python
• UI界面：PyQt5
• 检测框架：ultralytics(YOLOv11)
• 系统兼容：Windows / Linux 双系统通用

一键安装依赖命令

pipinstalltorch==1.11.0torchvision==0.12.0 ultralytics opencv-python PyQt5 numpy pillow

三、项目文件整体目录结构

PCB_Xray_Detect/ ├── dataset/ # 完整数据集 │ ├── images/ │ │ ├── train/ # 训练图片 │ │ ├── val/ # 验证图片 │ │ └── test/ # 测试图片 │ ├── labels/ │ │ ├── train/ # YOLO txt标注 │ │ ├── val/ │ │ └── test/ │ ├── voc_annotations/ # VOC xml标注文件 │ ├── coco_annotations/ # COCO json标注文件 │ └── pcb_defect.yaml # YOLO数据集配置文件 ├── weights/ │ └── best.pt # 训练80轮后最优权重 ├── train.py # 模型训练源码 ├── test_eval.py # 模型测试&精度评估源码 ├── ui/ │ ├── main.ui # Qt界面设计文件 │ ├── resource.qrc # 图标资源文件 │ ├── resource_rc.py # qrc编译后的python资源文件 │ └── icons/ # 界面图标素材 ├── pcb_gui.py # PyQt5主界面运行源码 └── 使用说明文档.md

四、数据集yaml配置文件（pcb_defect.yaml）

path:./datasettrain:images/trainval:images/valtest:images/testnc:7names:0:Damaged components1:Pin short circuit2:Miscellaneous tin3:Missing components4:Chip scratches5:Substrate scratches6:Solder joint burrs

五、训练代码 train.py

fromultralyticsimportYOLO# 加载YOLOv11n轻量化网络model=YOLO("yolov11n.yaml")# 训练参数设置train_result=model.train(data="./dataset/pcb_defect.yaml",epochs=80,imgsz=640,batch=16,device=0,# 有GPU填0，无GPU改为cpuworkers=4,patience=12,iou=0.45,conf=0.25,mosaic=0.8,mixup=0.1,save=True,project="PCB_Xray_Result",name="yolov11n_80epoch")print("训练结束！最优权重保存在 runs/PCB_Xray_Result/yolov11n_80epoch/weights/best.pt")

六、测试评估代码 test_eval.py

fromultralyticsimportYOLO# 载入训练完成的最优权重model=YOLO("./weights/best.pt")# 验证集精度计算metrics=model.val(data="./dataset/pcb_defect.yaml",imgsz=640,conf=0.25,iou=0.45)# 打印核心精度指标print(f"mAP@0.5:{metrics.box.map50:.4f}")print(f"Precision:{metrics.box.p:.4f}")print(f"Recall:{metrics.box.r:.4f}")# 单张图片测试推理model.predict(source="./dataset/images/test",save=True,save_txt=True,save_conf=True)print("测试图片推理完成，结果已保存")

七、PyQt5可视化界面全套源码

1、资源文件编译说明

resource.qrc 存放图标，使用命令编译：

pyrcc5 resource.qrc-oresource_rc.py

2、主界面运行代码 pcb_gui.py

importsysimportcv2importnumpyasnpfromPyQt5.QtWidgetsimport(QApplication,QMainWindow,QFileDialog,QMessageBox)fromPyQt5.QtGuiimportQImage,QPixmapfromPyQt5.QtCoreimportQt,QTimerfromultralyticsimportYOLOfromuiimportUi_MainWindowimportresource_rcclassPCB_Detect_Window(QMainWindow,Ui_MainWindow):def__init__(self):super().__init__()self.setupUi(self)# 加载训练好的PCB缺陷模型self.model=YOLO("./weights/best.pt")self.cap=Noneself.timer=QTimer()self.timer.timeout.connect(self.camera_frame)self.save_result_list=[]# 按钮绑定事件self.btn_img.clicked.connect(self.image_detect)self.btn_video.clicked.connect(self.video_detect)self.btn_camera.clicked.connect(self.camera_open)self.btn_save.clicked.connect(self.save_all_result)self.btn_exit.clicked.connect(self.close)# 图片检测defimage_detect(self):file_path,_=QFileDialog.getOpenFileName(self,"选择X光PCB图片","","图片文件(*.jpg *.png *.jpeg)")ifnotfile_path:returnresults=self.model(file_path,conf=0.3)self.show_result(results[0])# 视频检测defvideo_detect(self):video_path,_=QFileDialog.getOpenFileName(self,"选择视频文件","","视频(*.mp4 *.avi)")ifnotvideo_path:returnself.cap=cv2.VideoCapture(video_path)self.timer.start(30)# 摄像头实时检测defcamera_open(self):ifself.timer.isActive():self.timer.stop()self.cap.release()returnself.cap=cv2.VideoCapture(0)self.timer.start(30)# 读取画面帧推理defcamera_frame(self):ret,frame=self.cap.read()ifnotret:self.timer.stop()returnresults=self.model(frame,conf=0.3)self.show_result(results[0])# 渲染检测画面+数据展示defshow_result(self,res):img=res.plot()h,w,c=img.shape bytes_per_line=c*w q_img=QImage(img.data,w,h,bytes_per_line,QImage.Format_RGB888).rgbSwapped()self.label_display.setPixmap(QPixmap.fromImage(q_img).scaled(self.label_display.size(),Qt.KeepAspectRatio))# 统计缺陷总数、坐标、置信度boxes=res.boxes total_num=len(boxes)self.label_total.setText(f"缺陷总数量：{total_num}")self.table_result.setRowCount(total_num)self.save_result_list.clear()foridx,boxinenumerate(boxes):cls_idx=int(box.cls)cls_name=self.model.names[cls_idx]conf=float(box.conf)x1,y1,x2,y2=map(int,box.xyxy[0])self.save_result_list.append([cls_name,round(conf,3),x1,y1,x2,y2])self.table_result.setItem(idx,0,QtWidgets.QTableWidgetItem(str(idx+1)))self.table_result.setItem(idx,1,QtWidgets.QTableWidgetItem(cls_name))self.table_result.setItem(idx,2,QtWidgets.QTableWidgetItem(f"{conf:.2f}"))self.table_result.setItem(idx,3,QtWidgets.QTableWidgetItem(f"({x1},{y1})-({x2},{y2})"))# 导出检测结果defsave_all_result(self):iflen(self.save_result_list)==0:QMessageBox.information(self,"提示","暂无检测数据")returnsave_path,_=QFileDialog.getSaveFileName(self,"保存检测报告","pcb缺陷检测结果.txt","txt文件(*.txt)")withopen(save_path,"w",encoding="utf-8")asf:f.write("序号\t缺陷类型\t置信度\t坐标x1,y1,x2,y2\n")forlineinself.save_result_list:f.write(f"{line[0]}\t{line[1]}\t{line[2]},{line[3]},{line[4]},{line[5]}\n")QMessageBox.information(self,"完成","检测结果保存成功")if__name__=="__main__":app=QApplication(sys.argv)window=PCB_Detect_Window()window.show()sys.exit(app.exec_())

八、UI界面功能详情

核心功能

1. 图片检测：本地单张X光PCB图片导入推理，绘制缺陷框
2. 视频检测：PCB巡检视频逐帧识别缺陷
3. 摄像头实时检测：外接工业相机在线实时X光PCB检测
4. 数据实时展示：
   • 缺陷总数量
   • 每类缺陷置信度
   • 缺陷框像素坐标(xmin,ymin,xmax,ymax)
5. 结果导出：txt文档批量保存全部检测记录
6. 启停切换：一键关闭摄像头/视频流

九、运行操作步骤

Windows系统

1. 安装Python3.8，配置环境变量
2. 执行依赖安装命令
3. 解压完整项目文件夹，确保路径无中文
4. 运行训练：python train.py，80轮训练完成后自动生成best.pt权重
5. 启动可视化界面：python pcb_gui.py
6. 选择图片/视频/摄像头进行缺陷检测，可导出检测报表

Linux系统

1. 搭建python3.8虚拟环境
2. pip安装依赖包
3. 赋予文件执行权限，训练、界面启动命令和Windows一致

十、补充说明

1. 针对杂锡、焊点毛刺小样本缺陷，可通过复制增强、自适应缩放提升召回率；
2. 模型推理速度快，适配工业PCB产线在线质检场景；
3. 界面无需输入命令行，纯鼠标可视化操作；
4. 训练完成后可导出ONNX模型，部署嵌入式工业设备。