【技术实现步骤摘要】
一种基于深度学习与NCA融合的电子元器件识别方法
本专利技术涉及电路
,特别是涉及一种基于深度学习与NCA融合的电子元器件识别方法。
技术介绍
科学、规范的电子元器件分类是企业信息化和提升电子元器件管理水平的重要基础性工作,有助于设计师、管理部门、采购部门对产品快速、准确、高效的查询与使用,更有助于工程元器件的管理。国外的各大机构十分重视对元器件的采购、选用的指导和控制,也十分重视元器件信息的规范化工作和编码体系的建设。依据自身需求,分别建立了元器件的分类体系。例如:美国航空航天局(NASA)的NPSL(美国国家航空航天局零部件选择清单)按功能把电子元器件分为了10个大类、28个小类;美国军方根据电子元器件的具体功能把QPL(合格产品清单表)细分为264个子类别。美国国防供应中心(DSCC)所公布的电子元器件按其军用图纸元件号分成了37个类别的电子元器件;欧洲空间局(ESA)的PPL(优先产品列表)涵盖了15个大类、67个小类的电子元器件,QPL表涵盖了14个大类、37个小类的电子元器件。电子元器件在工业发展方面有着举足轻重的作用,它种类繁多,且朝着微型化、片式化的方向演变。在电子元器件的生产、科研、应用以及回收等方面,其分类是一项非常重要的基础工作,因此设计一种能实时处理的电子元器件自动识别系统具有十分重要的现实意义。如何将大规模图像数据进行高效识别以满足用户需求是一个亟待解决的问题,传统的如PCA+SVM(主成分分析方法结合支持向量机)方法的图像识别,就是先使用PCA算法对图像进行特征降维, ...
【技术保护点】
1.一种基于深度学习与NCA融合的电子元器件识别方法,其特征在于:具体步骤如下:/n步骤1:对输入的图像进行归一化、随机旋转、镜像、随机噪声预处理操作,最后,将图像统一到112*112大小的RGB图像;/n步骤2:对各个类别的样本进行加权处理,均衡数据样本,划分训练集、验证集与测试集数据;/n步骤3:将预处理后的图像构建成元组的形式输入到深度神经网络;/n步骤4:将部分3*3的卷积模块替换为SqueezeNet(网络压缩模型)中的Fire Module(消防模块),减少网络参数量;/n步骤5:将SqueezeNet模型中过多的Fire Module去除,保留少量Fire Module;/n步骤6:用深度卷积神经网络,主干模型包括4个3*3的普通卷积层和3个最大值池化层,用于提取图像特征,其中的3个最大值池化层,用于降低图像分辨率;/n步骤7:使用全连接层替代SqueezeNet中7*7的全局池化层,同时,由于全连接层参数量,使用NCA(近邻成分分析法)对这些参数进行降维;/n步骤8:将降维后的特征通过Softmax(逻辑回归模型)层转化为图像多分类问题。/n
【技术特征摘要】
1.一种基于深度学习与NCA融合的电子元器件识别方法,其特征在于:具体步骤如下:
步骤1:对输入的图像进行归一化、随机旋转、镜像、随机噪声预处理操作,最后,将图像统一到112*112大小的RGB图像;
步骤2:对各个类别的样本进行加权处理,均衡数据样本,划分训练集、验证集与测试集数据;
步骤3:将预处理后的图像构建成元组的形式输入到深度神经网络;
步骤4:将部分3*3的卷积模块替换为SqueezeNet(网络压缩模型)中的FireModule(消防模块),减少网络参数量;
步骤5:将SqueezeNet模型中过多的FireModule去除,保留少量FireModule;
步骤6:用深度卷积神经网络,主干模型包括4个3*3的普通卷积层和3个最大值池化层,用于提取图像特征,其中的3个最大值池化层,用于降低图像分辨率;
步骤7:使用全连接层替代SqueezeNet中7*7的全局池化层,同时,由于全连接层参数量,使用NCA(近邻成分分析法)对这些参数进行降维;
步骤8:将降维后的特征通过Softmax(逻辑回归模型)层转化为图像多分类问题。
2.根据权利要求1所述的一种基于深度学习与NCA融合的电子元器件识别方法,其特征在于:在步骤1中所述的预处理为将输入分辨率小于112*112分辨率的RGB图像上下左右填充到160*160大小,再将所有图像统一resize为112×112,进而,对每一个图像进行归一化、随机旋转、镜像、随机噪声处理,将图像统一到112*112大小的RGB图像,
归一化的公式如下:
其中xi表示图像当前像素点的值,minx(x),max(x)分别表示图像像素值的最大与最小值,norm为归一化后的图像像素值,
旋转、镜像计算公式如下:
其中(x,y)为旋转后坐标,(x′,y′)为原坐标,α为旋转角度(顺时针),(x0,y0)为旋转中心,left为旋转后最左边的横坐标,top为旋转后最右边的横坐标,
随机高斯噪声公式如下:
其中u1u2为相互独立的处于(0,1)之间的均匀分布。
3.根据权利要求1所述的一种基于深度学习与NCA融合的电子元器件识别方法,其特征在于:在步骤2中对各个类别的样本进行加权处理,均衡数据样本,引入类别加权因子ny为类别为yi的训练样...
【专利技术属性】
技术研发人员:姚征远,刘海建,
申请(专利权)人:厦门思泰克智能科技股份有限公司,
类型:发明
国别省市:福建;35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。