基于图像识别的主板质量检测方法、系统、设备和介质技术方案

本发明专利技术提出了一种基于图像识别的主板质量检测方法、系统、设备和介质，涉及质量检测领域，其方法包括：S1、获取计算机主板的图片集；S2、对图片集进行图像预处理；S3、利用打标签工具对图像预处理后的图片集进行标定以获取样本训练集和测试数据集；S4、基于样本训练集进行样本分类训练以得到模型评价指标；S5、基于模型评价指标对测试数据集进行预测，并通过NMS非极大值抑制算法对预测结果进行挑选以得到最优预测结果作为主板质量检测结果；本发明专利技术能够解决人工质检存在的问题，降低损失，提高主板的质量检测效率。主板的质量检测效率。主板的质量检测效率。

【技术实现步骤摘要】
基于图像识别的主板质量检测方法、系统、设备和介质


[0001]本专利技术涉及质量检测
，具体而言，涉及一种基于图像识别的主板质量检测方法、系统、设备和介质。

技术介绍

[0002]计算机主板安装在机箱内，包含计算机的主要电路系统和大量的集成电路，并具有安装扩展槽和安插各种外置插件的功能，其设计、工艺与计算机的质量有极大的关系，是工业化、信息化实现的最重要的工具部件之一。因此，为了确保出厂的计算机质量合格，做好每个主板的质量检测至关重要。
[0003]目前计算机工厂生产过程中，装配后的主板质量检测大多采用人工检测的方式。但由于质量检测分析本身的复杂性、检测主板数目的庞大性以及生产过程的流动性，人工质检往往存在抄写结果出错、对异常情况汇总工作完成低效，以及漏检、未检、质检人员人身安全威胁等问题。
[0004]现有技术当中，实现人工智能化进行主板质量缺陷检测的技术主要包括：图像配准及模板匹配与深度学习相结合、基于约束和正则化自动编码器的热成像和引入新的级联自动编码器(CASAE)结构等方法，但这些技术的检测精度、鲁棒性不够，缺陷识别种类较少。
[0005]基于此，本申请提出一种基于图像识别的主板质量检测方法、系统、设备和介质来解决上述问题。

技术实现思路

[0006]本专利技术的目的在于提供一种基于图像识别的主板质量检测方法、系统、设备和介质，其能够解决人工质检存在的问题，降低损失，提高主板的质量检测效率。
[0007]本专利技术的技术方案为：
[0008]第一方面，本申请提供一种基于图像识别的主板质量检测方法，其包括以下步骤：
[0009]S1、获取计算机主板的图片集；
[0010]S2、对图片集进行图像预处理；
[0011]S3、利用打标签工具对图像预处理后的图片集进行标定以获取样本训练集和测试数据集；
[0012]S4、基于样本训练集进行样本分类训练以得到模型评价指标；
[0013]S5、基于模型评价指标对测试数据集进行预测，并通过NMS非极大值抑制算法对预测结果进行挑选以得到最优预测结果作为主板质量检测结果。
[0014]进一步地，上述图像预处理包括尺度变化、随机翻转、对比度调节和动态数据增强。
[0015]进一步地，上述利用打标签工具对图像预处理后的图片集进行标定的步骤包括：
[0016]利用打标签工具labelImg对图像预处理后的图片集中的质量缺陷的数据进行坐标的记录；
[0017]将记录到的坐标以每四个点的坐标合并为一个元组进行保存，并将所有元组写入XML文件中以得到XML坐标文件；
[0018]通过Python将XML坐标文件进行划分以得到样本训练集和数据集；
[0019]将数据集导出至VOC2007文件以得到VOC2007格式的测试数据集。
[0020]进一步地，上述样本分类训练的步骤包括：
[0021]将样本训练集通过Mosaic进行数据增强；
[0022]将数据增强后的样本训练集输入到PMDDNet网络中，并添加卷积进行超特征融合以得到特征图；
[0023]对特征图进行下采样以获取特征图的主要信息，基于特征图的主要信息进一步获取训练过程中记录的坐标的内部规律；
[0024]基于坐标的内部规律，利用label smoothing标签平滑法和K
‑
means聚类函数对训练进行优化以获取得到损失函数值，并基于损失函数值得到损失函数曲线；
[0025]基于loss损失函数曲线获取函数最低点以形成loss损失函数值的最小的Pth权重文件，并将其作为模型评价指标。
[0026]其中，PMDDNet网络为PC主板缺陷检测网络。
[0027]进一步地，上述PMDDNet网络为通过MSHA、改进的CBAM和新增三层卷积的YOLOv5算法网络。
[0028]其中，CBAM为卷积块自我注意模块，MHSA为多头注意力集中机制，用于提取全局特征图像并提高网络对微小目标的关注度并降低计算复杂度，以解决梯度消失和实时性差的问题；YOLOv5算法网络在原CSPDarknet53中引入了MHSA(多头注意力集中机制)层、CBAM(卷积注意力集中层)和新增三层卷积，有效地增强了上下卷积的数据连通性，充分利用了上层网络传输的图像信息，提高了对损耗螺钉等微小目标的识别能力。
[0029]第二方面，本申请提供一种基于图像识别的主板质量检测系统，其包括：
[0030]图像采集模块，获取计算机主板的图片集，上述图片集包括训练集和测试集；
[0031]预处理模块，对图片集进行图像预处理；
[0032]标定模块，利用打标签工具对图像预处理后的图片集进行标定以获取样本训练集和测试数据集；
[0033]样本分类训练模块，基于样本训练集进行样本分类训练以得到模型评价指标；
[0034]缺陷类型预测模块，基于模型评价指标对测试数据集进行预测，并通过NMS非极大值抑制算法对预测结果进行挑选以得到最优预测结果作为主板质量检测结果。
[0035]第三方面，本申请提供一种电子设备，其特征在于，包括：
[0036]存储器，用于存储一个或多个程序；
[0037]处理器；
[0038]当上述一个或多个程序被上述处理器执行时，实现如上述第一方面中任一项的基于图像识别的主板质量检测方法。
[0039]第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的基于图像识别的主板质量检测方法。
[0040]相对于现有技术，本专利技术至少具有如下优点或有益效果：
[0041](1)本专利技术提供的一种基于图像识别的主板质量检测方法，通过打标签工具labelImg对图像预处理后的图片集进行标定，然后进行样本分类训练以得到模型评价指标，基于模型评价指标对测试数据集进行预测，并通过NMS非极大值抑制算法对预测结果进行挑选以得到最优预测结果作为主板质量检测结果，从而改进了人工智能算法，更加能够满足现代计算机生产中精度和实时性的检测要求，解决人工检测抄写结果出错，以及漏检、未检、质检人员人身安全威胁等问题，降低了损失，提高了主板的质量检测效率。
[0042](2)本专利技术通过利用PC主板缺陷检测网络(PMDDNet)基于YOLO系列算法结合多头注意力集中机制(MHSA)和卷积块自我注意模块(CBAM)并新增三层卷积网络，提取全局特征图像，解决了梯度消失的问题，并降低计算复杂度；
[0043](3)本专利技术采用灰度、随机旋转和动态数据增强等方法来扩展数据集，增强了系统模型的鲁棒性；
[0044](4)本专利技术实用标签平滑等训练手段，提高了系统模型的泛化能力和准确度；
[0045](5)本专利技术将CBAM添加到Yolo Neck中，提高了系统模型在密集和小目标场景中的精度。
附图说明
[0046]为了更清楚本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像识别的主板质量检测方法，其特征在于，包括以下步骤：S1、获取计算机主板的图片集；S2、对图片集进行图像预处理；S3、利用打标签工具对图像预处理后的图片集进行标定以获取样本训练集和测试数据集；S4、基于样本训练集进行样本分类训练以得到模型评价指标；S5、基于模型评价指标对测试数据集进行预测，并通过NMS非极大值抑制算法对预测结果进行挑选以得到最优预测结果作为主板质量检测结果。2.如权利要求1所述的基于图像识别的主板质量检测方法，其特征在于，所述图像预处理包括尺度变化、随机翻转、对比度调节和动态数据增强。3.如权利要求1所述的基于图像识别的主板质量检测方法，其特征在于，所述利用打标签工具对图像预处理后的图片集进行标定的步骤包括：利用打标签工具labelImg对图像预处理后的图片集中的质量缺陷的数据进行坐标的记录；将记录到的坐标以每四个点的坐标合并为一个元组进行保存，并将所有元组写入XML文件中以得到XML坐标文件；通过Python将XML坐标文件进行划分以得到样本训练集和数据集；将数据集导出至VOC2007文件以得到VOC2007格式的测试数据集。4.如权利要求3所述的基于图像识别的主板质量检测方法，其特征在于，所述样本分类训练的步骤包括：将样本训练集通过Mosaic进行数据增强；将数据增强后的样本训练集输入到PMDDNet网络中，并添加卷积进行超特征融合以得到特征图；对特征图进行下采样以获取特征图的主要信息，并将其输入到PANet网络中以获取标定过程中记录的坐标的内部规律；基于坐...

【专利技术属性】
技术研发人员：龚天翼，王晨露，徐全桂，肖馨蕊，赵博儒，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：