本发明专利技术涉及一种基于改进YOLOv5n的计算机主板元器件检测方法，属于目标检测领域。该方法包括：S1：收集计算机主板图像并对元器件进行标注，得到数据集；S2：划分训练集、验证集和测试集；S3：构建改进YOLOv5n元器件检测模型：S31：构建主干特征提取网络、颈部特征融合网络和头部检测网络；S32：在主干特征提取网络中嵌入三个CA注意力机制；S4：使用构建的改进YOLOv5n元器件检测模型在训练集上训练，并在验证集上验证模型的检测能力，取验证集上表现最好的权重文件在测试集上评估结果；S5：将训练好的改进YOLOv5n元器件检测模型对待检测的计算机主板图像进行元器件的精准且快速的定位和分类。位和分类。位和分类。
【技术实现步骤摘要】
一种基于改进YOLOv5n的计算机主板元器件检测方法
[0001]本专利技术属于目标检测领域，涉及计算机主板元器件检测领域，具体涉及一种基于改进YOLOv5n的计算机主板元器件检测方法。
技术介绍
[0002]计算机主板生产组装流程主要分为以下三个步骤：(1)首先是计算机主板的SMT贴片生产线，采用机械自动化的方式将一些无针脚的元器件焊接到计算机主板上；(2)其次是DIP插件生产线，由于计算机主板一些元器件(如：CPU风扇，显卡插槽，USB接口，PCIE接口，电源接口，CPU电源接口等)带有针脚，需要员工手动安装到计算机主板上，并对安装的这些元器件进行外观上的检查，是否有元器件缺失或者元器件插错的缺陷计算机主板，然后送入波峰焊机进行焊接；(3)最后是成品检测。如果在生产过程中，不能够及时发现那些有缺陷的计算机主板，在后续的生产过程中势必会浪费大量的原材料以及降低生产的效率和良品率。因此在计算机主板生产过程中，快速、高效、准确地检查出有缺失元器件或者插错元器件的缺陷主板是一项非常重要的任务。目前，检测计算机主板缺失元器件或者插错元器件的方法主要有两种：(1)依靠人的视觉检测；(2)使用AOI系统检测。依靠人的视觉的检测方法效率不仅低下，还会受到人的主观上的影响。采用AOI系统检测的方案确实能够减少人工的干预，但是AOI检测系统的价格比较昂贵，面对不同检测任务都需要进行复杂的编程。
[0003]与此同时，随着信息技术的不断发展，计算机已经涉及到各个不同的行业中，成为人们生活、工作、学习、娱乐不可缺少的工具。对大多数的计算机使用者来说，由于他们缺乏与计算机体系结构相关的基础知识，从而导致不能自行组装计算机、更换计算机相关的硬件。可以采用增强现实(AR)的技术从增强视觉的角度上辅助用户组装计算机、更换相关计算机硬件。然而，基于AR技术辅助用户组装计算机、更换计算机硬件最重要的任务就是对计算机主板上的元器件进行检测(定位与分类)。
[0004]得益于深度神经网络学习能力强、性能优越等优点，基于深度神经网络的目标检测算法不断在农业、制造业、服务业以及人们的日常生活中得到了广泛的应用。目标检测算法主要有两个任务：(1)在图像中对待检测目标进行定位；(2)在图像中对待检测目标进行分类。
[0005]基于深度神经网络的目标检测算法主要有两个分支：(1)二阶段目标检测算法。二阶段目标检测算法主要包括：R
‑
CNN、Fast R
‑
CNN、Faster R
‑
CNN、Mask R
‑
CNN等。这些目标检测算法首先通过区域提议网络提取特征以减轻搜索空间，然后预测物体类别并完善区域提议网络，从而实现精确检测，这导致了较高的准确性，但效率较低。(2)一阶段目标检测算法。一阶段目标检测算法主要包括：SSD、YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5、RetinaNet、RefineDet等。这些目标检测算法直接对待检测目标进行和分类，检测速度快于二阶段目标检测算法，但检测精度可能低于二阶段目标检测算法。
[0006]计算机主板元器件检测难点分析：
[0007](1)由于计算机主板体系结构设计的问题，某些类别的元器件数量较多，而某些类
别的元器件数量较少，导致计算机主板元器件检测数据集出现类别样本不均衡问题，这会导致模型对某些少样本类别的元器件过拟合，从而导致模型在这些类别的元器件检测的准确率不高。
[0008](2)由于计算机主板体系结构设计的问题，某些类别的元器件与背景非常相似，依靠人的视觉都很难区分它们之间的差异，也就是前景与背景差异小，从而导致模型将前景预测为背景和背景预测为前景的问题。简单来讲：这会导致误检和漏检问题的发生。
[0009](3)计算机主板中有大量的小元器件需要检测，而小目标检测一直以来都是目标检测领域的一大难题。
[0010]因此，亟需一种新的计算机主板元器件检测方法来解决以上问题。
技术实现思路
[0011]有鉴于此，本专利技术的目的在于提供一种基于改进YOLOv5n的计算机主板元器件检测方法，实现计算机主板元器件的自动检测，并具备检测速度快、检测精度较高等优点。
[0012]为达到上述目的，本专利技术提供如下技术方案：
[0013]一种基于改进YOLOv5n的计算机主板元器件检测方法，具体包括以下步骤：
[0014]S1：收集计算机主板图像并对元器件进行标注，得到数据集；
[0015]S2：划分训练集、验证集和测试集；
[0016]S3：构建改进YOLOv5n元器件检测模型，具体包括：
[0017]S31：构建主干特征提取网络、颈部特征融合网络和头部检测网络；
[0018]S32：在主干特征提取网络中嵌入三个CA(Coordinate Attention)注意力机制，从而增强了特征提取的能力；
[0019]S4：使用构建的改进YOLOv5n元器件检测模型在训练集上训练，并在验证集上验证模型的检测能力，取验证集上表现最好的权重文件在测试集上评估结果；
[0020]S5：将训练好的改进YOLOv5n元器件检测模型对待检测的计算机主板图像进行元器件的定位和分类。
[0021]进一步，步骤S1具体包括：从多个计算机主板厂商官方网站及二手(如“闲鱼”)平台收集大量的计算机主板图像，使用LabelImg工具对获取到的计算机主板图像进行元器件标注，从而建立计算机主板元器件检测数据集。
[0022]进一步，步骤S2具体包括：采用6：2：2的比例将计算机主板元器件检测数据集划分为训练集、验证集和测试集。
[0023]进一步，步骤S31中，所述主干特征提取网络主要由卷积模块、C3模块和SPPF模块组成；其中，卷积模块主要是对图像进行下采样计算，降低图片的尺寸，将信息学习到通道C中；每次进行下采样计算，图片的尺寸就会变为原尺寸的一半，而通道的数量就会变为原来的二倍；如：3*640*640的图像经过16个卷积的计算得到的特征图为16*320*320大小。C3模块主要是用于残差的学习，其网络结构如图2所示；SPPF模块表示空间金字塔快速池化模块，主要的作用是增大网络的感受野，其网络结构如图3所示。
[0024]颈部特征融合的网络结构主要由FPN和PAN组成；其中，FPN把深层的语义特征信息传到浅层，从而增强多个尺度上的语义信息表达，而PAN则是把浅层的语义信息传导到深层，增强网络在多个尺度上的定位能力；FPN+PAN的网络结构可以提高模型识别的准确率。
[0025]头部检测网络主要包括三个检测层：小尺度检测层、中型尺度检测层和大尺度检测层；它们分别用于检测小型尺寸目标、中型尺寸目标、大型尺寸目标。
[0026]进一步，步骤S32中，三个CA注意力机制嵌入在主干特征提取网络中的三个C3模块的后面。
[0027]进一步，步骤S32中，所述CA注意力机制是一个即插即用的模块，它可以增强本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于改进YOLOv5n的计算机主板元器件检测方法，其特征在于，该方法具体包括以下步骤：S1：收集计算机主板图像并对元器件进行标注，得到数据集；S2：划分训练集、验证集和测试集；S3：构建改进YOLOv5n元器件检测模型，具体包括：S31：构建主干特征提取网络、颈部特征融合网络和头部检测网络；S32：在主干特征提取网络中嵌入三个CA注意力机制，从而增强特征提取的能力；S4：使用构建的改进YOLOv5n元器件检测模型在训练集上训练，并在验证集上验证模型的检测能力，取验证集上表现最好的权重文件在测试集上评估结果；S5：将训练好的改进YOLOv5n元器件检测模型对待检测的计算机主板图像进行元器件的定位和分类。2.根据权利要求1所述的基于改进YOLOv5n的计算机主板元器件检测方法，其特征在于，步骤S1具体包括：从多个计算机主板厂商官方网站及二手平台收集大量的计算机主板图像，使用LabelImg工具对获取到的计算机主板图像进行元器件标注，从而建立计算机主板元器件检测数据集。3.根据权利要求1所述的基于改进YOLOv5n的计算机主板元器件检测方法，其特征在于，步骤S2具体包括：采用6：2：2的比例将计算机主板元器件检测数据集划分为训练集、验证集和测试集。4.根据权利要求1所述的基于改进YOLOv5n的计算机主板元器件检测方法，其特征在于，步骤S31中，所述主干特征提取网络由卷积模块、C3模块和SPPF模块组成；其中，卷积模块是对图像进行下采样计算，降低图片的尺寸，将信息学习到通道C中；每次进行下采样计算，图片的尺寸就会变为原尺寸的一半，而通道的数量就会变为原来的二倍；C3模块用于残差的学习；SPPF模块表示空间金字塔快速池化模块，用于增大网络的感受野；颈部特征融合的网络由FPN和PAN组成；其中，FPN把深层的语义特征信息传到浅层，从而增强多个尺度上的语义信息表达，而PAN则是把浅层的语义信息传导到深层，增强网络在多个尺度上的定位能力；头部检测网络包括三个检测层：小尺度检测层、中型尺度检测层和大尺度检测层；分别用于检测小型尺寸目标、中型尺寸目标、大型尺寸目标。5.根据权利要求1所述的基于改进YOLOv5n的计算机主板元器件检测方法，其特征在于，步骤S32中，三个CA注意力机制嵌入在主干特征提取网络中的三个C3模块的后面。6.根据权利要求1或5所述的基于改进YOLOv5n的计算机主板元器件检测方法，其特征在于，步骤S32中，所述CA注意力机制是一个即插即用的模块，将输入的特征图F在宽度和高度方向上进行自适应平均池化，从而获得在宽度和高度这个两个方向上的特征图F
‑
w、F
‑
h；然后将这两个特征图拼接在一起，送入1x1大小的卷积核，将其通道数量变成原来的C/r并送入Sigmoid激活函数得到的特征图F1；将获取到的特征图F1拆分为宽度方向特征图F
【专利技术属性】
技术研发人员：文德军，周应华，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
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。