本发明专利技术属于图像处理技术领域，特别是涉及一种SMT贴片检测的训练方法、装置、设备和介质，其中，方法包括：将训练样本输入待训练检测模型，训练样本为多张SMT贴片的图像；依据归纳机制将图像分为第一训练集合和第一验证集合；基于元学习机制将第一训练集合进行优化，得到第二训练集合；以及基于元学习机制将第一验证集合进行优化，得到第二验证集合；基于推理机制结合第二训练集合和第二验证集合进行特征推理及编码，得到编码特征；基于记忆机制结合述编码特征对待训练检测模型进行训练，得到检测模型。本发明专利技术基于归纳、推理以及记忆机制对待检测模型进行训练，使得模型适用于任意SMT贴片的检测，实现了对SMT贴片检测技术的优化。实现了对SMT贴片检测技术的优化。实现了对SMT贴片检测技术的优化。
【技术实现步骤摘要】
SMT贴片检测的训练方法、装置、设备和介质
[0001]本专利技术涉及图像处理
，特别涉及一种SMT贴片检测的训练方法、装置、设备和介质。
技术介绍
[0002]SMT贴片场景中，往往需要对贴片元器件进行检测，而对贴片元器件进行检测大多是使用预先训练的检测模型进行检测，其中，训练检测模型的技术包括基于传统手工特征如SIFT(Scale
‑
invariant feature transform，尺度不变特征变换)、HOG(Histogram of Oriented Gradient，方向梯度直方图)特征的方法，也有基于深度学习的方法。近来，随着深度学习的广泛应用，深度学习也被用于训练检测模型，但深度学习方法在SMT场景中训练检测模型时往往会遇到如下问题的挑战：不仅需要采集和标注大量的PCB、SMT数据，人力与时间成本比较大；且受训练数据分布的影响，深度学习检测模型往往会过拟合到训练集中分布较多的某一类数据上，比如某种特定摄像头或者特定光源打光的数据，或者某种特殊的PCB产品上，使得如果面对新的产品或者光照环境变化后算法性能大大下降；另外，深度学习模型在训练过程中会产生遗忘，使得对某些旧产品检测的准确性下降。
[0003]因此，如何优化对SMT贴片的检测技术是目前需要解决的问题。
技术实现思路
[0004]本专利技术提供一种SMT贴片检测的训练方法、装置、设备和介质，旨在实现对SMT贴片检测技术的优化。
[0005]为了实现上述专利技术目的，本专利技术第一方面提出一种SMT贴片检测的训练方法，所述方法包括：
[0006]将训练样本输入待训练检测模型，所述训练样本为多张SMT贴片的图像；
[0007]依据归纳机制将所述图像分为第一训练集合和第一验证集合；
[0008]基于元学习机制将所述第一训练集合进行优化，得到第二训练集合；以及基于元学习机制将所述第一验证集合进行优化，得到第二验证集合；
[0009]基于推理机制结合所述第二训练集合和所述第二验证集合进行特征推理及编码，得到编码特征；
[0010]基于记忆机制结合所述编码特征对所述待训练检测模型进行训练，得到检测模型。
[0011]进一步地，所述将训练样本输入待训练检测模型，所述训练样本为多张SMT贴片的图像之前，还包括：
[0012]通过摄像头采集不同环境下PCB板上SMT贴片的图像，并将所述图像以统一格式存储至预设的数据库中。
[0013]进一步地，所述依据归纳机制将所述图像分为第一训练集合和第一验证集合，包括：
[0014]根据分类规则将所述图像进行分类，得到第一图像集合和第二图像集合；
[0015]基于归纳机制对所述第一图像集合进行归纳，得到第一训练集合；
[0016]基于归纳机制对所述第二图像集合进行归纳，得到第一验证集合。
[0017]进一步地，所述基于元学习机制将所述第一训练集合进行优化，得到第二训练集合；以及基于元学习机制将所述第一验证集合进行优化，得到第二验证集合，包括：
[0018]基于元学习机制对所述第一训练集合进行内部更新，得到第二训练集合；以及基于元学习机制将所述第一验证集合进行外部更新，得到第二验证集合。
[0019]进一步地，所述基于推理机制结合所述第二训练集合和所述第二验证集合进行特征推理及特征编码，得到编码特征，包括：
[0020]对所述第二训练集合进行特征数据提取，得到第一特征；
[0021]对所述第二验证集合进行特征数据提取，得到第二特征；
[0022]将所述第一特征和所述第二特征一同映射至同一空间中，并基于推理机制进行特征推理，得到第三特征；
[0023]对所述第三特征进行编码，得到编码特征。
[0024]进一步地，所述基于记忆机制结合所述编码特征对所述待训练检测模型进行训练，得到检测模型，包括：
[0025]将所述编码特征输入Transformer网络；
[0026]根据所述Transformer网络中的先验知识对所述编码特征进行分类，得到第一分类和第二分类；
[0027]基于记忆机制将所述第一分类进行冻结，并以所述第一分类对应的目标检测权重对所述第二分类进行调整，得到后验知识；
[0028]基于所述先验知识和所述后验知识生成检测模型。
[0029]本申请还提供一种SMT贴片检测的训练装置，其特征在于，所述装置包括：
[0030]输入模块，用于将训练样本输入待训练检测模型，所述训练样本为多张SMT贴片的图像；
[0031]归纳模块，用于依据归纳机制将所述图像分为第一训练集合和第一验证集合；
[0032]优化模块，用于基于元学习机制将所述第一训练集合进行优化，得到第二训练集合；以及基于元学习机制将所述第一验证集合进行优化，得到第二验证集合；
[0033]推理模块，用于基于推理机制结合所述第二训练集合和所述第二验证集合进行特征推理及编码，得到编码特征；
[0034]获取模块，用于基于记忆机制结合所述编码特征对所述待训练检测模型进行训练，得到检测模型。
[0035]进一步地，所述推理模块，包括
[0036]第一提取单元，用于对所述第二训练集合进行特征数据提取，得到第一特征；
[0037]第二提取单元，用于对所述第二验证集合进行特征数据提取，得到第二特征；
[0038]映射单元，用于将所述第一特征和所述第二特征一同映射至同一空间中，并基于推理机制进行特征推理，得到第三特征；
[0039]编码单元，用于对所述第三特征进行编码，得到编码特征。
[0040]本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机
程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一项所述的SMT贴片检测的训练方法的步骤。
[0041]本申请还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述任一项所述的SMT贴片检测的训练方法的步骤。
[0042]有益效果：在本申请中，将多张SMT贴片的图像输入待训练检测模型，依据归纳机制将所述图像分为第一训练集合和第一验证集合，基于元学习机制将所述第一训练集合进行优化，得到第二训练集合；以及基于元学习机制将所述第一验证集合进行优化，得到第二验证集合；元学习优化了图像中多种元器件聚合在同一个拼板上的效果；基于推理机制结合所述第二训练集合和所述第二验证集合进行特征推理及编码，得到编码特征；基于记忆机制结合所述编码特征对所述待训练检测模型进行训练，使得模型对新特征进行学习时，避免对旧特征进行检测的性能的遗忘，进而得到适用于任意SMT贴片的检测模型，进而实现了对SMT贴片检测技术的优化。
附图说明
[0043]图1为本申请SMT贴片检测的训练方法的一实施例流程示意图；
[0044]图2为本申请SMT贴片检测的训练方法的另一实施例流程示本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种SMT贴片检测的训练方法，其特征在于，所述方法包括：将训练样本输入待训练检测模型，所述训练样本为多张SMT贴片的图像；依据归纳机制将所述图像分为第一训练集合和第一验证集合；基于元学习机制将所述第一训练集合进行优化，得到第二训练集合；以及基于元学习机制将所述第一验证集合进行优化，得到第二验证集合；基于推理机制结合所述第二训练集合和所述第二验证集合进行特征推理及编码，得到编码特征；基于记忆机制结合所述编码特征对所述待训练检测模型进行训练，得到检测模型。2.根据权利要求1所述的SMT贴片检测的训练方法，其特征在于，所述将训练样本输入待训练检测模型，所述训练样本为多张SMT贴片的图像之前，还包括：通过摄像头采集不同环境下PCB板上SMT贴片的图像，并将所述图像以统一格式存储至预设的数据库中。3.根据权利要求1所述的SMT贴片检测的训练方法，其特征在于，所述依据归纳机制将所述图像分为第一训练集合和第一验证集合，包括：根据分类规则将所述图像进行分类，得到第一图像集合和第二图像集合；基于归纳机制对所述第一图像集合进行归纳，得到第一训练集合；基于归纳机制对所述第二图像集合进行归纳，得到第一验证集合。4.根据权利要求1所述的SMT贴片检测的训练方法，其特征在于，所述基于元学习机制将所述第一训练集合进行优化，得到第二训练集合；以及基于元学习机制将所述第一验证集合进行优化，得到第二验证集合，包括：基于元学习机制对所述第一训练集合进行内部更新，得到第二训练集合；以及基于元学习机制将所述第一验证集合进行外部更新，得到第二验证集合。5.根据权利要求1所述的SMT贴片检测的训练方法，其特征在于，所述基于推理机制结合所述第二训练集合和所述第二验证集合进行特征推理及特征编码，得到编码特征，包括：对所述第二训练集合进行特征数据提取，得到第一特征；对所述第二验证集合进行特征数据提取，得到第二特征；将所述第一特征和所述第二特征一同映射至同一空间中，并基于推理机制进行特征推理，得到第三特征；对所述第三特征进行编码，得到...
【专利技术属性】
技术研发人员：赵晨旭，苏安炀，季聪，
申请(专利权)人：北京识渊科技有限公司，
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。