简介这是一套面向PCB缺陷识别与目标检测任务的深度学习数据集资源标签为PCB缺陷适合计算机视觉初学者及工业质检相关开发者用于模型训练与算法验证。数据集中对400张原始电路板图像进行了Pascal VOC XML格式标注平均识别正确率可达95.9%可直接作为监督学习训练样本。压缩包共800个文件包含400个jpg原图与400个xml标注文件整体大小95.17MB文件命名清晰便于按帧检索与划分训练集、验证集。目前已有412人学习下载资源附带的标注文件覆盖常见PCB缺陷位置与类别可帮助读者快速搭建缺陷识别实验环境复现相关精度指标也适合作为论文实验或课程设计的数据支撑。1. 400 张原始图的 PCB 缺陷识别检测数据集95.9% 平均正确率的三个前提PCB 缺陷识别检测数据集不是把一堆图片打包就叫数据集。我见过不止一个团队拿着开源模型跑 demo 很顺换上自己产线的 400 张原始图就翻车没标注、标注格式混乱、类别定义含糊最后全卡在数据这一关。标题里的信息量其实不小400 张原始图、PASCAL VOC XML 格式标注、平均识别正确率 95.9%这三点串起来说明该方案已经走通“原始图 → 标注 → 训练 → 评估”的完整链路数据是可以直接喂给目标检测模型的训练基底。它要解决的是产线上“缺陷在哪、是什么类型”的定位问题而不是整张板子好坏的粗分类。适合谁来读手上有 PCB 图像但没标注、或已经在用现成数据集、想搞清楚 VOC 标注规范和正确率评估口径的工程师。下面按格式选型、标注流程、转换脚本、踩坑记录、验证方法五层展开。2. 为什么选 PASCAL VOC 标注 PCB 缺陷三种格式比对与规模判断PCB 缺陷识别的对象是什么先要和产线对齐。真实生产环节里需要标出来的缺陷大致分成两类一类是外观类比如划痕scratch、污渍stain、露铜exposed copper另一类是结构类比如桥连solder bridge、断路缺口open circuit、缺件missing component。两类缺陷的图像特征差异很大前者靠颜色和纹理判断后者靠几何形状与相对位置判断。模型输出越具体对产线越有用所以标题选目标框标注而不是整图分类是正路。但“目标框标注”落地时有两种常见误解一种是把 PCB 布线设计里的规则和检测数据集的标注规则混为一谈布线规则管的是走线间距、焊盘大小检测标注管的是缺陷的位置和类别两码事另一种是嫌标注麻烦想直接拿无标注图像训练无监督模型。后者在小规模数据上效果很不稳定不如老老实实标 VOC XML。格式选型这件事直接影响后续两三周的返工量值得先把底账算清楚。2.1 VOC XML 与 COCO JSON、YOLO txt 的取舍格式选择决定返工量先说结论小规模、多人协作、格式还可能改的项目用 PASCAL VOC XML 起步最稳COCO 次之YOLO txt 应作为后期转换产物而不是标注源格式。VOC XML 的形态是每张原始图对应一个同名 XML 文件每个 object 节点描述一个缺陷框的类别和 bndbox 像素坐标。它最大的优点是易读、可脚本化、可增量合并。400 张图标完之后写个几行脚本就能统计各类缺陷的框数、框面积分布哪张图漏标了一看便知几个人并行标注时按文件名合并 XML 不会发生冲突。像素坐标也不依赖图像尺寸后期做裁剪或缩放时重新计算坐标更可控。COCO JSON 是单文件汇总格式detectron2、mmdetection 原生支持度高加载速度快但多人同时在线标注时合并冲突难处理而且单一 JSON 文件一旦损坏全部标注就废了。YOLO txt 一行一个归一化框训练时省事但它不带元信息原图尺寸一变旧 txt 全部失效调试时也很难反查是哪张图、哪个框出了问题。我的习惯是标注阶段一律 VOC XML转换留到训练前做这也是 mmdetection 官方工具保留 voc2coco.py、YOLO 社区提供 xml 转 txt 脚本的原因。维度VOC XMLCOCO JSONYOLO txt文件组织每图一个 XML单文件统一存储每图一个 txt坐标类型绝对像素坐标绝对像素坐标归一化浮点坐标元信息含 filename、path、source含 info、licenses 等结构化信息基本没有多人协作按文件名合并冲突少需要专门的合并工具不适合作为标注源格式原图改尺寸后可脚本化重算可脚本化更新旧标注全部失效主要框架支持各类转换工具齐全Detectron2、mmdetection 原生YOLO 系列原生2.2 400 张原始图到底够不够缺陷实例数比图片数更关键400 张图对这个任务够不够不能凭图数拍脑袋。目标检测的有效训练样本量要以缺陷实例数为准。一张 PCB 图可能完全没有缺陷标注结果是空 XML对训练没贡献另一张图可能同时有三个桥连、两条划痕相当于五个训练样本。所以拿到标注结果后的第一件事是遍历所有 XML 统计各类 object 的总数。我的经验线大致是这样单个类别超过 1000 个实例配合预训练权重能跑到 mAP 80% 左右500 到 1000 个是 baseline模型能稳定检出但精度一般低于 300 个基本靠玄学调参。如果 400 张图里有效缺陷框总数只有 500 个那 95.9% 的正确率一定是在验证集划分比较有利、或缺陷形态相对简单的条件下取得的部署前要格外谨慎。不过 PCB 缺陷场景有个天然优势背景单一、纹理规律性强模型泛化会比自然场景容易所以 400 张图做到 mAP 95% 级别并非不可能只是需要验证集划分严谨。2.3 标注误差的放大链条95.9% 的前提是框标得准标注质量的上限就是模型精度的上限这句话在 PCB 缺陷检测上表现得很直接。如果标注框偏离真实缺陷边界 3 个像素模型学到的目标框自然就带 3 个像素偏差如果某个类别标反了 10%模型对这个类别的置信度判断会明显衰减。桥连这类缺陷的宽度可能只有几个像素框差一点类别特征就被背景信息污染了。我在给工厂做质检方案交付时会在正式标注前先做一次小范围一致性测试挑 5 张图让每个标注员分别标一遍然后两两计算框间 IoU。如果平均 IoU 低于 0.7说明标注规范还不够细需要补充边界判定标准后再开工。这一步投入的一两天通常能省掉后期十几轮调参试错。3. 用 LabelImg 给 400 张 PCB 图做 VOC XML 标注流程与校验脚本标注的工程量不大但流程必须规范。400 张 PCB 图体量不算大在通用标注平台按框计费很贵自己用 LabelImg 标一个熟练标注员两到三天可以完成。关键在于标注前把规范定死、标注后把 XML 自动化校验一遍避免把脏数据送进训练流程。3.1 标注前把类别清单和图片命名定死少一步后面全是坑打开标注工具之前有两件事必须完成图片命名规范和缺陷类别清单定稿。命名建议统一用英文前缀加编号比如 PCB_000001.jpg禁止中文名和空格否则后续转 COCO、接入训练脚本时会有编码问题。分辨率也要尽量统一不要把 640×480 和 3024×4032 的图混在一起标检测模型训练时会统一 resize 到固定尺寸小图被拉伸、大图被压缩缺陷的几何比例会失真。类别清单要用英文小写命名中间不要有空格例如 solder_bridge、open_circuit、scratch、stain、missing_hole。每个类别配一条判定说明比如“划痕长度小于 0.3mm 不标注”“氧化发黑区域算 stain不算 scratch”。这份清单既是标注依据也是后期训练时的类别映射表要单独存档记录版本。标注途中临时改类别名是一场灾难所有已标 XML 都得批量改绝对不要干。3.2 LabelImg 实操安装、快捷键与 PCB 图像的对比度坑LabelImg 是目前最顺手的 VOC XML 标注工具Python 加 Qt 实现支持画矩形框、打类别标签、生成同名 XML。安装和启动的标准路径如下# 安装 LabelImg 并启动 pip install labelImg labelImg如果启动时报 PyQt 相关模块缺失通常是 Python 版本和 PyQt 版本不兼容常见于 Python 3.11 以上补救措施是补装匹配的 PyQt5pip install PyQt5 labelImg启动后的目录逻辑左侧 Open Dir 选择原始图所在目录右侧 Change Save Dir 指定 XML 输出目录二者可以不同这样原图和标注分离后面做数据集划分更方便。快捷键 W 画框、A/D 前后翻图、CtrlS 保存熟练后一天 150 张是可以做到的。PCB 图像在标注时有几个特殊操作。第一建议开启 View → Auto Contrast mode裸板在普通光照下反光强烈细小划痕几乎看不清自动对比度能显著提升缺陷可见度。第二画框时贴着缺陷轮廓走不要贪快框住一大片无关区域不然模型会学进大量背景噪声。第三每张图保存后检查左侧框列表数量与实际缺陷数一致LabelImg 偶尔因为鼠标双击操作漏存框这个检查一眼就能完成但很多人不做。3.3 批量校验 XML 的脚本解析失败、漏框与越界一次扫出人工标 400 张图漏存框、类别名拼错、坐标越界几乎必然发生肉眼逐张检查不现实。我习惯标注完成后跑一个校验脚本把能自动查的问题全部扫一遍。# -*- coding: utf-8 -*- # verify_voc_xml.py —— 批量校验 PASCAL VOC XML 标注文件 import os import xml.etree.ElementTree as ET from PIL import Image IMG_DIR ./JPEGImages # 原图目录 XML_DIR ./Annotations # 标注目录 def get_image_size(img_path): with Image.open(img_path) as im: return im.size errors [] for xml_name in os.listdir(XML_DIR): if not xml_name.endswith(.xml): continue xml_path os.path.join(XML_DIR, xml_name) try: tree ET.parse(xml_path) root tree.getroot() except ET.ParseError: errors.append(f{xml_name}: XML 解析失败文件可能未写完) continue # 1. 检查是否至少有一个标注框 objs root.findall(object) if len(objs) 0: errors.append(f{xml_name}: 没有标注框空 XML) # 2. 检查同名原图是否存在 img_name root.findtext(filename) if not img_name: errors.append(f{xml_name}: 缺少 filename 字段) continue img_path os.path.join(IMG_DIR, img_name) if not os.path.exists(img_path): errors.append(f{xml_name}: 原图 {img_name} 不存在) continue # 3. 检查 bndbox 坐标是否越界 w, h get_image_size(img_path) for idx, obj in enumerate(objs): box obj.find(bndbox) xmin float(box.findtext(xmin)) ymin float(box.findtext(ymin)) xmax float(box.findtext(xmax)) ymax float(box.findtext(ymax)) if xmin 0 or ymin 0 or xmax w or ymax h: errors.append(f{xml_name}: object{idx} 坐标越界 ({xmin},{ymin})-({xmax},{ymax})) if xmax xmin or ymax ymin: errors.append(f{xml_name}: object{idx} 坐标异常目标框宽或高为负) print(f共检查 {len([f for f in os.listdir(XML_DIR) if f.endswith(.xml)])} 个 XML发现 {len(errors)} 个问题) for e in errors: print(e)脚本逻辑分三步先确认 XML 文件本身能被解析再核对有没有至少一个 object最后用原图真实宽高验证 bndbox 是否越界。三个检查对应标注阶段最常出现的三类问题文件未保存完整、整张图漏标、画框超边界。其中坐标越界后续转 YOLO 时会产生大于 1 的归一化值训练直接报错filename 字段与实际文件名不符通常是批量重命名后忘了同步脚本能快速定位是哪几张。4. 把 VOC XML 接进训练流程目录规范、转换脚本与评估口径标注完成只是开始XML 要真正变成训练数据还需要按照训练框架的约定整理目录结构、转换格式并弄清楚 95.9% 这个正确率是怎么算出来的。不少团队在“标完就开训”的路径上跳过目录规范结果模型训练时读错文件、验证集混入训练图正确率虚高。4.1 标准 VOC 目录结构JPEGImages、Annotations、ImageSets 的职责划分PASCAL VOC 的目录结构是事实标准很多检测框架跟它对齐。JPEGImages 放全量原始图Annotations 放同名 XMLImageSets/Main 放训练和验证的划分清单清单是纯文本每行一个不带扩展名的文件名。JPEGImages 和 Annotations 的一致性要求是同名文件一一对应PCB_000001.jpg 必须对应 PCB_000001.xml缺一方就会在训练时报告“找不到标签”或“找不到图片”。ImageSets/Main 则决定了训练集和验证集的边界这是最容易被忽视的部分。如果直接把 400 张图全部用来训练训练脚本会默认所有数据既是训练又是验证模型反复看过这些图验证正确率毫无参考意义。正确的做法是把文件名单随机分成 train.txt 和 val.txt常见比例是 8:2即 320 张训练、80 张验证命令如下# 生成 train.txt 与 val.txt全量文件名单洗牌后按 8:2 切分 cd /path/to/VOC2007 mkdir -p ImageSets/Main ls JPEGImages | sed s/\.jpg$// | shuf ImageSets/Main/all.txt head -n 320 ImageSets/Main/all.txt ImageSets/Main/train.txt tail -n 80 ImageSets/Main/all.txt ImageSets/Main/val.txt这段命令的注意点sed 去掉扩展名是为了让清单与 XML 文件名匹配shuf 是随机打乱保证划分不偏向某种批次采集的图像head 和 tail 各取一段二者不会重叠。这里我特意强调“按文件名随机”只是基准做法后面第 5 章会讲到一种必须用分组划分来规避的情况。4.2 VOC 转 YOLO txt 的最小 Python 脚本归一化坐标与类别映射如果训练框架是 YOLO 系列VOC XML 还需要转成 txt。每行一个目标框格式是 class_id x_center y_center width height全部归一化到 0 到 1。# -*- coding: utf-8 -*- # voc2yolo.py —— PASCAL VOC XML 转 YOLO txt 格式 import os import xml.etree.ElementTree as ET # 类别顺序一旦确定训练配置里的 class 顺序必须保持一致 classes [solder_bridge, open_circuit, scratch, stain, missing_hole] XML_DIR ./Annotations OUT_DIR ./YOLO_labels os.makedirs(OUT_DIR, exist_okTrue) for xml_name in os.listdir(XML_DIR): if not xml_name.endswith(.xml): continue tree ET.parse(os.path.join(XML_DIR, xml_name)) root tree.getroot() # 注意这里优先读 XML 里的 size 字段实际转换前务必与原图核对 img_w int(root.findtext(size/width)) img_h int(root.findtext(size/height)) txt_lines [] for obj in root.findall(object): cls obj.findtext(name) if cls not in classes: print(f{xml_name}: 未知类别 {cls}跳过) continue class_id classes.index(cls) box obj.find(bndbox) xmin float(box.findtext(xmin)) ymin float(box.findtext(ymin)) xmax float(box.findtext(xmax)) ymax float(box.findtext(ymax)) # 归一化框中心点坐标 框宽高所有值除以原图尺寸 x_center (xmin xmax) / 2.0 / img_w y_center (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h # 防止坐标轻微越界导致归一化值超过 1.0 w min(w, 1.0) h min(h, 1.0) txt_lines.append(f{class_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) out_path os.path.join(OUT_DIR, xml_name.replace(.xml, .txt)) with open(out_path, w) as f: f.write(\n.join(txt_lines)) print(转换完成)脚本的关键参数有两个classes 列表顺序是类别 id 的唯一依据一旦训练配置里的 names 顺序与这里不一致模型输出的类别就是错位的坐标用 x_center、y_center 表示YOLO 不直接存左上角右下角转错这一步框必然全偏。后面那两行 min 截断是防御措施XML 里坐标轻微越界时归一化后的宽高可能超过 1训练框架读到会报形状错误。4.3 95.9% 的评估口径IoU 阈值、confidence 阈值与 mAP要判断 95.9% 这个识别正确率是否可信先要弄清楚它是怎么统计的。缺陷检测任务的评估属性至少有三种口径整体准确率所有样本中预测正确的比例、每类平均精度、以及 mAPmean Average Precision。这三者在类别不平衡的 PCB 缺陷数据上差异很大。mAP 是目前目标检测最通用的指标计算时依赖两个参数。第一个是 IoU 阈值衡量预测框和真实框的重叠程度常取 0.5即重叠率超过 50% 才算命中PCB 小缺陷场景下有些团队会收紧到 0.75评估更严格。第二个是 confidence 阈值过滤低分预测框阈值越低召回率越高但误报也越多反之则相反。mAP 的做法是把 confidence 从高到低扫一遍在每个阈值下计算 precision 和 recall然后对 PR 曲线积分。95.9% 这个数字如果对齐到 mAP含义是模型在验证集上的定位和分类综合表现稳定如果只是整体准确率对缺陷检测的参考意义有限因为漏检少量的关键缺陷就能让整体数字虚高。在训练配置里实际影响评估结果的还有验证集划分和随机种子这两点会让同一个模型跑出上下几个百分点的差异。后面的 95.9% 要能复现训练配置里固定随机种子、固定验证集名单是起码要求。5. PCB 数据集标注避坑记录漏标、错标与评估失真把整个流程走完一遍最耗时间的往往不是训练而是给标注和工作流补窟窿。以下五条是我在实际项目里反复遇到的坑每一条都对应一种数据质量事故。按“现象 → 原因 → 解决”的顺序写方便对照。5.1 缺陷边界判定不一致同一区域被标成不同类别现象同一个标注员上午把焊盘间的氧化发黑区域标成 stain下午又标成 scratch交接给第二个标注员标出第三种结果。 原因氧化发黑和划痕在高分辨率图像上外观接近缺少统一的判别标准人的判断随经验和疲劳程度漂移。 解决正式标注前为每个类别配 3 到 5 张典型样板图打印成对照表并在标注规范里写明硬性判定规则。比如“颜色变化为主是 stain线状凹槽为主是 scratch两者叠加时按面积大的特征算”。这一条能解决大部分标注不一致问题。5.2 小目标缺陷漏标模型训练成了睁眼瞎现象模型训练完成后焊盘之间的细小桥连缺陷召回率不到 20%输出结果基本漏掉。 原因标注阶段小面积缺陷容易被忽略特别是目标框小于整图 1% 的缺陷在标注界面上稍不留意就跳过去了训练数据里这类实例的数量严重不足。 解决标注完成后按目标框面积做一轮筛选把面积占比小于 1% 的框单独列出来人工复查一遍。这是一个扫描 XML 的小脚本按 bndbox 计算面积与图像面积之比低于阈值就输出对应图片路径标注员只需要回看那几十张图。5.3 类别极端不平衡某类缺陷只有十几处现象五类缺陷中 open_circuit 只出现了十几次训练后这一类的 mAP 只有 0.1其他四类正常。 原因检测模型的类别先验依赖于训练实例数极少数类会被当成背景噪声学掉。 解决优先补充该类别的样本。如果原始图已经没有了把已有该类缺陷的目标做离线数据增强——小角度旋转、亮度扰动、轻微缩放——生成补充样本。注意补充样本不要混入原图目录覆盖来源单独放一个增强目录在训练配置里按目录指明才能追溯。5.4 XML 转换后目标框偏移size 字段与实际图宽高不符现象用 4.2 的脚本转 YOLO 格式后训练模型输出的框整体偏移尤其图像边缘的缺陷框完全对不上。 原因VOC XML 里的 size 字段是标注工具的记录值如果原始图在标注前被压缩、裁剪过而 XML 是改图之前生成的size 和实际宽高不一致归一化后的坐标自然全偏。 解决转换脚本里读取 size 后再用 PIL 打开对应原图核对宽高不一致就报错并中止该文件转换。这条检查能拦下大多数因图源预处理顺序混乱造成的数据污染。5.5 训练/验证数据泄露同一块板卡图像同时进两个集合现象模型在验证集上 mAP 高达 95%部署到产线新拍的图像上漏检率升高到三成。 原因400 张原始图里存在同一块 PCB 板不同角度、不同光照下拍摄的多张图。按文件名随机划分训练和验证时同一块板子的图像同时进了两个集合模型在验证时等于看过参考答案。 解决按板卡编号分组划分。提取图片文件名里的板卡唯一编号同一编号的所有图像要么全进训练集要么全进验证集这本质上是 GroupKFold 的划分思想。这一步是决定 95.9% 这个数字在真实场景下到底可信不可信的关键分水岭。6. 验证 95.9% 是否可信三个不重训就能落地的实操动作数据集和模型交付之前我习惯做三件不需要重训就能验证可靠性的事。第一件输出按类别的混淆矩阵。用验证集的预测结果和标注逐框比对看每个类别被识别成什么、有没有大量框被判为背景。混淆矩阵能直接暴露类别不平衡问题——某个类别几乎不出现在矩阵里说明它根本没被模型学会。这时候 95.9% 的整体数字没有意义因为模型对主要类别表现好、把缺陷类别漏光了。第二件挑最难的 20 张图单独跑推理。把验证集里缺陷重叠最多、目标面积最小、反光最严重的 20 张图挑出来单独计算正确率。如果这 20 张图上模型表现远低于整体正确率说明数据集的困难样本覆盖不足需要针对性地补标而不是盲目增加训练轮数。第三件画 confidence 阈值曲线。在验证集上从 0.1 扫到 0.9把 precision 和 recall 的变化画出来。默认阈值通常偏低产线部署一般希望 precision 优先宁可多复查也不放漏检按曲线把阈值调到 0.5 或更高能显著减少误报。这三件事都不需要重新训练一次推理脚本就能完成但对数据质量的反映非常直接。我的习惯是每次拿到新数据集先做第三件事因为 confidence 阈值直接决定产线误报率而误报率才是现场最容易被骂的指标。整个数据链路做完再回头看 400 张图和 95.9%你会发现真正决定这个数字保不保得住不是模型选得多好而是标注一致性、验证集独立性和评估口径有没有守住。顺序反了每一轮训练结果都带着脏数据的影子。这个思路落到你手上这份数据也成立先校验 XML再做分组划分最后用阈值曲线验证希望帮到你。本文还有配套的精品资源点击获取