1.基于改进的YOLOv5模型的电子元件缺陷检测方法,其特征在于,包括:S1、采集电子元件图像,并将该图像制作为电子元件图像数据集,并将该数据集划分为训练集和验证集;
S2、对电子元件图像数据集进行预处理;
S3、获取ImageNet数据集和权重文件,并获取标准YOLOv5网络结构进行预训练,获得预训练权重;
S4、对标准YOLOv5网络结构进行改进,获得改进后的YOLOv5网络结构,该网络结构自上而下包括特征主干网络、特征融合模块和检测头;其中特征主干网络包括EfficientNet模块和Squeeze-and-Excitation模块,EfficientNet模块输出的结果输入到Squeeze-and-Excitation模块中;特征融合模块包括BiFPN模块;检测头包括softer NMS算法;
其中,Squeeze-and-Excitation模块包括以下内容:Squeeze-and-Excitation模块将EfficientNet模块输出的特征图进行全局平均池化操作,将空间维度压缩为特征向量,具体公式为:z=GlobalAvgPool(X)
其中,X表示输入特征图,z表示输出的特征向量,GlobalAvgPool表示全局平均池化操作;
将特征向量z输入到第一全连接层中进行映射,具体公式为:
f=W1z+b1
其中,f表示经过第一全连接层映射后的特征向量;用W1和b1分别表示第一全连接层的权重和偏置;
利用非线性激活函数RELU增加特征向量f的非线性,具体公式为:a=RELU(f)
其中,a表示经过激活函数处理后的特征向量;
将特征向量a输入第二全连接层中进行线性变换,映射为通道权重向量,具体公式为:s=W2z+b2
其中,W2和b2分别表示第二全连接层的权重和偏置,s表示经过线性变换后的通道权重向量;
利用sigmoid激活函数将通道权重向量s的值限制在[0,1]之间,具体公式为:δ=sigmod(s)
其中,δ表示经过Sigmoid激活函数处理后的通道权重向量;
S5、利用预训练权重作为初始权重,利用预处理后的电子元件图像数据集对改进后的YOLOv5网络结构进行训练,并评估训练后得到的权重,进行超参数优化,重复训练直到识别率达到95%以上,此时的权重即为最终权重,获得最终的YOLOv5模型;
S6、利用最终的YOLOv5模型对电子元件进行缺陷检测,得到相应的检测结果。
2.根据权利要求1所述的基于改进的YOLOv5模型的电子元件缺陷检测方法,其特征在于,步骤S1中,制作电子元件图像数据集包括以下内容:利用工业相机采集电子元件图像,包括不同角度、不同背景下的正常的和不同种类缺陷的图像,并为每张缺陷电子元件图像标注对应的错误标签,获得电子元件图像数据集。
3.根据权利要求1所述的基于改进的YOLOv5模型的电子元件缺陷检测方法,其特征在于,步骤S2中,对电子元件图像数据集进行预处理包括以下子步骤:S201、对电子元件图像数据集进行缩放操作,并对图像进行裁剪或填充;
S202、利用图像增强技术调整电子元件图像数据集中图像的亮度、对比度和饱和度,并进行随机翻转、旋转和缩放操作;
S203、将电子元件图像数据集中图像像素的数值范围进行归一化,将像素从[0,255]范围缩放到[0,1]或[-1,1]范围。
4.根据权利要求1所述的基于改进的YOLOv5模型的电子元件缺陷检测方法,其特征在于,步骤S3中,获得预训练权重包括以下子步骤:S301、获取ImageNet数据集和权重文件,调整ImageNet数据集的图像尺寸,与预处理后的电子元件图像数据集中图像的尺寸相匹配;
S302、获取标准YOLOv5网络结构;
S303、使用预定义的学习率调度策略,调整初始学习率为0.000001;逐渐增加学习率,前期阶段以较高的学习率快速收敛,此时学习率的大小在[0.01,0.007]范围内;后期阶段以较低的学习率精细修正,此时学习率的大小在[0.001,0.003]范围内;
S304、将步骤S301中的权重作为初始权重;
S305、使用调整后的ImageNet数据集,利用预定义的学习率调度策略对标准YOLOv5网络结构进行预训练,获得预训练权重。
5.根据权利要求1所述的基于改进的YOLOv5模型的电子元件缺陷检测方法,其特征在于,步骤S4中,调整EfficientNet模块的网络深度、网络宽度和输入分辨率的比例,具体公式为:depth:D=αφ
width:W=βφ
resolution:R=γφ
其中,depth表示网络深度,width表示网络宽度,resolution表示输入分辨率,D表示网络深度的简称,W表示网络宽度的简称,R表示输入分辨率的简称,α表示网络深度的定标因子,β表示网络宽度的定标因子,γ表示输入分辨率的定标因子,φ表示缩放因子。
6.根据权利要求1所述的基于改进的YOLOv5模型的电子元件缺陷检测方法,其特征在于,步骤S4中,特征融合模块包括以下内容:BiFPN模块包括上采样器和下采样器;
将特征主干网络的输出结果输入到特征融合模块,上采样器将该向量上采样为与上一级特征图相同的大小,进行特征融合得到融合后的特征,将该特征输入到下采样器中下采样为与下一级特征图相同的大小,进行特征融合得到BiFPN的输出结果。
7.根据权利要求1所述的基于改进的YOLOv5模型的电子元件缺陷检测方法,其特征在于,步骤S4中,检测头包括以下内容:在检测头中,利用softer NMS算法生成一组边界框及相应的置信度分数,置信度分数的计算公式为:score=Pr(object)*Pr(class|object)*IoU其中,score表示置信度分数;Pr(object)表示边界框中包含缺陷图像的概率;Pr(class|object)表示给定边界框内包含缺陷图像的条件下,该缺陷图像属于某个特定类别的概率;IoU表示预测的边界框与真实边界框之间的交并比;
对所有的边界框按照置信度分数从高到低进行排序,获得排序后的边界框列表,计算每个边界框与低于其置信度分数的边界框的IoU重叠度值,若该IoU重叠度值高于阈值,则将低置信度分数进行衰减,保留低置信度分数的边界框;继续遍历和衰减重叠的边界框,直到遍历完所有的边界框;
将保留下来的边界框根据衰减后的置信度分数再次进行排序,得到去重叠的边界框。
8.根据权利要求1所述的基于改进的YOLOv5模型的电子元件缺陷检测方法,其特征在于,步骤S5中,获得最终的YOLOv5模型包括以下子步骤:S501、将预训练权重作为改进后的YOLOv5网络结构的初始权重,配置模型的超参数,包括输入图像尺寸、锚框设置、类别数;
S502、定义损失函数和额外的损失项目,选择优化器并设置学习率;
S503、构建数据加载器,加载预处理后的电子元件图像数据集中图像及对应的标注信息;
S504、迭代遍历训练集,对改进后的YOLOv5网络结构进行权重训练和参数更新,计算预测结果与真实标注之间的损失,并进行反向传播更新权重;评估改进后的YOLOv5网络结构在验证集上的性能,对权重进行评估,包括计算精确度、召回率、平均精度均值;直到识别率达到95%以上,此时的权重即为最终权重,获得最终的YOLOv5模型。
9.根据权利要求1所述的基于改进的YOLOv5模型的电子元件缺陷检测方法,其特征在于,步骤S6中,得到相应的检测结果包括以下内容:将最终的YOLOv5模型作为检测电子元件缺陷的目标检测模型,将待检测目标输入该模型进行检测,根据获得的置信度分数判断对应的缺陷种类。