一种电子元器件识别方法技术

本发明专利技术公开了一种电子元器件识别方法，包括：建立基于改进注意力机制和

【技术实现步骤摘要】
一种电子元器件识别方法


[0001]本专利技术涉及电子元器件的识别
，特别涉及一种基于改进注意力机制和
YOLOv3
模型的电子元器件识别方法
。

技术介绍

[0002]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
。
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
。
传统的图像处理过程，需要进行前期冗余处理，难以满足大规模图像数据进行高效识别的用户需求，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，就是通过
PCA
进行特征降维，再使用
SVM
进行分类，但是降维的时候不能够很好的估计隐变量的数目，并且对于非线性的依赖关系不能够得到一个很好的结果；除此之外还会有很多的训练问题，对于大规模的训练样本来说很难实施，对于分类问题还是存在很多的困难的，对缺失的数据还很敏感，对于参数和核函数的选择条件也是比较苛刻的；由此采用此传统的如
PCA+SVM(
主成分分析方法结合支持向量机
)
方法进行电子元器件的图像识别存在识别精度不高，识别效率低的问题
。
[0003]另外，目标检测经过很多年的发展，在这一领域也是相当的成熟，但是对于本技术在迁移的过程中对于元器件定位与识别的实用性比较低，主要原因是
:
较小的电子元器件特征信息不足，目标识别会出现错检
、
漏检等问题，使得平均准确率很低
。
在提高识别精确率时，会牺牲一定的速度，但是当提升一定的速度时，又可能会降低一定的准确率
,
导致很难做到对准确率和速度之间的统筹兼顾达到真正实时准确的识别检测
。

技术实现思路

[0004]本专利技术的目的是提供一种基于改进注意力机制和
YOLOv3
的电子元器件识别方法，实现在兼顾识别准确率和识别速度的情况下，对电子元器件的识别检测的目的
。
[0005]为了实现以上目的，本专利技术通过以下技术方案实现：一种电子元器件识别方法，包括：步骤
S1、
建立基于改进注意力机制和
YOLOv3
的神经网络模型；其中，所述神经网络模型包括：
YOLOv3
模型的
Darknet
‑
53
网络，
AM
注意力机制模块，
YOLOv3
模型的特征融合模块和
YOLOv3
模型的输出模块
。
[0006]步骤
S2、
对测试数据集中的图像进行预处理，得到具有统一尺寸的
RGB
图像
。
[0007]步骤
S3、
将
RGB
图像构建成元组的形式输入到所述神经网络模型中，采用
Darknet
‑
53
网络对接收到的
RGB
图像进行图像特征提取，得到预设倍降采样的特征
。
[0008]步骤
S4、
将所述预设倍降采样的特征输入至所述
AM
注意力机制模块中，经
AM
注意力机制模块学习后得到注意图
。
[0009]步骤
S5、
将所述注意图输入至所述特征融合模块中，经过特征融合之后得到不同的最终特征图；根据最终特征图得到最后的分类结果
。
[0010]步骤
S6、YOLOv3
模型的输出模块输出分类结果
。
[0011]可选地，所述步骤
S2
包括：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后，将图像统一到
416
×
416
大小的
RGB
图像
。
[0012]可选地，所述步骤
S3
包括：
8、16、32
倍降采样的特征
。
[0013]可选地，所述
Darknet
‑
53
网络包括：第一
CBL
模块，用于对输入的
RGB
图像进行卷积处理，将输入的
RGB
图像大小由
416
×
416
改变为
256
×
256。
[0014]Res_1
模块，所述第一
CBL
模块通过一卷积层与所述
Res_1
模块连接，所述
Res_1
模块对输入的图像做卷积和残差处理，输出
128
×
128
大小的
RGB
图像
。
[0015]Res_2
模块，所述
Res_1
模块通过一卷积层与所述
Res_2
模块连接；
[0016]所述
Res_2
模块对输入的图像做卷积和残差处理，输出
64
×
64
大小的
RGB
图像
。
[0017]第一
Res_8
模块，所述
Res_2
模块通过一卷积层与所述第一
Res_8
模块连接；所述第一
Res_8
模块对输入的图像做卷积和残差处理，输出
32
×
32
大小的
RGB
图像；所述第一个
Res_8
模块作为8倍下采样输出
。
[0018]第二
Res_8
模块，所述第一
Res_8
模块通过一卷积层与所述第二
Res_8
模块连接；所述第二
Res_8
模块对输入的图像做卷积和残差处理，输出
16
×
16
大小的
RGB
图像；所述第二个
Res_8
模块作为
16
倍下采样输出
。
[0019]Res_4
模块，所述第二
R本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电子元器件识别方法，其特征在于，包括：步骤
S1、
建立基于改进注意力机制和
YOLOv3
的神经网络模型；其中，所述神经网络模型包括：
YOLOv3
模型的
Darknet
‑
53
网络，
AM
注意力机制模块，
YOLOv3
模型的特征融合模块和
YOLOv3
模型的输出模块；步骤
S2、
对测试数据集中的图像进行预处理，得到具有统一尺寸的
RGB
图像；步骤
S3、
将
RGB
图像构建成元组的形式输入到所述神经网络模型中，采用
Darknet
‑
53
网络对接收到的
RGB
图像进行图像特征提取，得到预设倍降采样的特征；步骤
S4、
将所述预设倍降采样的特征输入至所述
AM
注意力机制模块中，经
AM
注意力机制模块学习后得到注意图；步骤
S5、
将所述注意图输入至所述特征融合模块中，经过特征融合之后得到不同的最终特征图；根据最终特征图得到最后的分类结果；步骤
S6、YOLOv3
模型的输出模块输出分类结果
。2.
如权利要求1所述的电子元器件识别方法，其特征在于，所述步骤
S2
包括：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后，将图像统一到
416
×
416
大小的
RGB
图像
。3.
如权利要求2所述的电子元器件识别方法，其特征在于，所述步骤
S3
包括：
8、16、32
倍降采样的特征
。4.
如权利要求3所述的电子元器件识别方法，其特征在于，所述
Darknet
‑
53
网络包括：第一
CBL
模块，用于对输入的
RGB
图像进行卷积处理，将输入的
RGB
图像大小由
416
×
416
改变为
256
×
256
；
Res_1
模块，所述第一
CBL
模块通过一卷积层与所述
Res_1
模块连接，所述
Res_1
模块对输入的图像做卷积和残差处理，输出
128
×
128
大小的
RGB
图像；
Res_2
模块，所述
Res_1
模块通过一卷积层与所述
Res_2
模块连接；所述
Res_2
模块对输入的图像做卷积和残差处理，输出
64
×
64
大小的
RGB
图像；第一
Res_8
模块，所述
Res_2
模块通过一卷积层与所述第一
Res_8
模块连接；所述第一
Res_8
模块对输入的图像做卷积和残差处理，输出
32
×
32
大小的
RGB
图像；所述第一个
Res_8
模块作为8倍下采样输出；第二
Res_8
模块，所述第一
Res_8
模块通过一卷积层与所述第二
Res_8
模块连接；所述第二
Res_8
模块对输入的图像做卷积和残差处理，输出
16
×
16
大小的
RGB
图像；所述第二个
Res_8
模块作为
16
倍下采样输出；
Res_4
模块，所述第二
Res_8
模块通过一卷积层与所述
Res_4
模块连接；所述
Res_4
模块对输入的图像做卷积和残差处理，输出8×8大小的
RGB
图像；所述
Res_4
模块作为
32
倍下采样输出
。5.
如权利要求4所述的电子元器件识别方法，其特征在于，所述
AM
注意力机制模块的数量为三个，记为第一
AM
注意力机制模块～第三
AM
注意力机制模块；其中，所述第一
AM
注意力机制模块与所述第一
Res_8
模块的输出端连接；所述第一
AM
注意力机制模块用于对8倍降采样的特征进行图像特征提取，学习更多图像中最关键的区域；其中，通过所述第一
AM
注意力机制模块中的空间注意力分支来改善关键区域的特征表
达，通过全局注意力分支使用全局上下文信息重新校准，得到第一注意图；所述第二
AM
注意力机制模块与第二
Res_8
模块的输出端连接；所述第二
AM
注意力机制模块用于对
16
倍降采样的...

【专利技术属性】
技术研发人员：姜黛琳，张德兰，许鹏程，徐千茹，陈京，卞敏捷，刘嘉玮，高亦沁，林新华，文敏华，韦建文，王一超，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：