# yolov4-for-soldering

**Repository Path**: swayzzu/yolov4-for-soldering

## Basic Information

- **Project Name**: yolov4-for-soldering
- **Description**: yolov4焊点检测
- **Primary Language**: Unknown
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 1
- **Created**: 2022-02-14
- **Last Updated**: 2022-10-28

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# yolov4-for-soldering

#### 介绍
yolov4焊点检测

#### 项目情况

该项目中，焊点的误焊类型不一样，有少锡、多锡、连锡、错位等10种误焊方式。一方面有些类型如错位、多锡训练样本过少，只有十几个样本；另一方面，有些样本人工也无法判定到底属于哪类误焊，因此，该项目的结果判定方式为准确率，以判断焊点是否ok为准，训练过程中实际误焊类型也参与区分。

经过训练，模型对焊点检测的准确率为87%，符合项目要求。可直接进入img文件夹查看模型运行效果图片。



#### 模型结构

主干网络：CSPDarkNet53

特征提取/融合：SPP，PAN

激活函数：Mish

损失函数：交叉熵损失、CIOU



#### 注意事项

标记类型以及解释如下：

ok：正常焊点

sx：少锡

dx：多锡

jyr：胶压融，即焊点左右两侧的红色橡胶融化

lx：连锡

ys：压散

cw：错位

jp：胶皮，即胶皮未清理干净

jh：假焊

js：假焊少锡

xd：线断

根据实际样本数量，ok, sx, jyr, lx是相对较多的数据，其他数据样本较少，均为十几或几十个样本。



#### 训练策略

学习率策略：1e-3学习率500个epoch，1e-4学习率100个epoch，共计600个epoch。

数据增广：Mosaic数据增强、图像翻转、色域变换等。

图片尺寸：受显存限制，输入图像大小为416x416，而不是原模型中的608x608。

冻结训练：前50个epoch冻结backbone的参数训练，之后解冻，全部参数参与训练。

优化器：Adam

NMS：增加了nms的后处理。由于一个焊点可能有不同的类别，因此在常规NMS基础上需要进一步处理，抑制掉置信度低的类别。

  

#### 预测步骤

从下面的链接下载训练好的文件，里面有两个文件，其中model_final_params.pth是最终的训练文件，另一个是backbone的预训练参数文件。

链接：https://pan.baidu.com/s/1UmJabmu796EkXd6GTCh2Ag 

提取码：sway 



下载完后将模型参数存入这个路径：model_data/model_final_params.pth，直接运行predict.py，输入  

    img/test_img1.jpg

 预测结果在img文件夹中也有保存。



#### 评估步骤

1. 运行get_general_acc.py，即可得到test数据集上的评估结果。


#### 参考
https://github.com/bubbliiiing/yolov4-pytorch