一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法技术

技术编号:26506266 阅读:35 留言:0更新日期:2020-11-27 15:34
本发明专利技术公开了一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法,首先对获取的印制电路板的X射线图像进行标注和数据集划分;然后利用设定的圆形anchor替换YOLOv3模型中的矩形anchor,使YOLOv3改进模型可以直接预测圆形目标的边界,接着对损失函数进行修改;其次,对所述YOLOv3改进模型进行迭代优化和验证,并基于非极大值抑制算法对三个检测层所有预测的圆形目标中低置信度的以及重叠较大的目标进行过滤,输出检测结果,相比于传统的圆形目标检测方法,本发明专利技术的精确性与鲁棒性更好;改进后的模型与原模型相比参数更少,速度更快且误检率更低。

【技术实现步骤摘要】
一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法
本专利技术涉及印制电路板X射线图中的圆形目标的自动检测
,尤其涉及一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法。
技术介绍
检测印制电路板X射线图中的圆形目标是印制电路板生产与质检过程中的重要环节,传统的圆形目标检测方法大部分是基于Hough圆变化,该变化是将二维图像坐标系中的圆形方程转化到由圆心坐标以及半径所确定的三维空间中的方程,同一个圆上的点转化到三维空间中的方程会相交于一点。该方法可靠性强,但是计算量很大,且该方法图像的噪声较大且目标排列密集,边界点无法准确提取,因此使用传统方法时漏检率会较高。基于深度学习的目标检测方法由于其显著的检测效果,近年来得到了广泛的研究与应用,其大致可分为两大类:基于候选区域的检测方法与单步检测方法。基于候选区域的检测方法是先通过区域建议网络找到可能包含目标的区域,然后再通过一个子卷积网络进行多分类与坐标回归,得到目标的类别与边界框,FasterR-CNN是该类方法中的一个代表模型;单步检测方法是端到端地进行目标检测,本文档来自技高网...

【技术保护点】
1.一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法,其特征在于,包括以下步骤:/n对获取的印制电路板的X射线图像进行标注,并将归一化后的图像与对应标签进行数据集划分;/n基于YOLOv3模型进行改进,并输出对应的所述X射线图像的圆形目标的边界;/n基于YOLOv3改进模型选择需要的设定元素,并计算所述设定元素与对应所述标签的圆形目标之间的误差;/n对所述YOLOv3改进模型进行迭代优化和验证,并基于非极大值抑制算法输出所述圆形目标检测结果;/n其中,对获取的印制电路板的X射线图像进行标注,并将归一化后的图像与对应标签进行数据集划分,包括:/n按照设定的标注要求,利用标注工具中的圆...

【技术特征摘要】
1.一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法,其特征在于,包括以下步骤:
对获取的印制电路板的X射线图像进行标注,并将归一化后的图像与对应标签进行数据集划分;
基于YOLOv3模型进行改进,并输出对应的所述X射线图像的圆形目标的边界;
基于YOLOv3改进模型选择需要的设定元素,并计算所述设定元素与对应所述标签的圆形目标之间的误差;
对所述YOLOv3改进模型进行迭代优化和验证,并基于非极大值抑制算法输出所述圆形目标检测结果;
其中,对获取的印制电路板的X射线图像进行标注,并将归一化后的图像与对应标签进行数据集划分,包括:
按照设定的标注要求,利用标注工具中的圆形边框标注获取的X射线图像中的所有的圆形目标,同时在标注文件中记录每个所述圆形目标归一化后的圆心坐标和半径,并将所述X射线图像与对应的标签划分为训练集、验证集和测试集;
其中,基于YOLOv3模型进行改进,并输出对应的所述X射线图像的圆形目标的边界,包括:
利用设定的圆形anchor替换YOLOv3模型中的矩形anchor,并采用均值聚类算法将标签中的所有半径值聚为6个类。


2.如权利要求1所述的基于YOLOv3改进模型的用于检测PCB中圆形目标的方法,其特征在于,基于YO...

【专利技术属性】
技术研发人员:贺建安黄嘉泽
申请(专利权)人:南京大量数控科技有限公司
类型:发明
国别省市:江苏;32

网友询问留言 已有0条评论
  • 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。

1