【技术实现步骤摘要】
本申请涉及目标检测，尤其是电子元件检测模型的训练、检测方法、系统、设备及介质。
技术介绍
1、当前，随着人工智能技术的发展，各行各业涌现出了较多的应用。例如，在制造业领域内，存在有电子元件的检测识别应用。该应用一般是基于计算机视觉技术实现的，它的主要功能是在图像中自动检测识别电子元件的位置和类别。传统的电子元件识别方法，主要采用全局特征检测、局部特征检测等技术对输入图像进行特征提取，再通过模型匹配的方法，对比分析目标对象的特性，判断特征是否匹配，从而做出识别和分类决策。传统的识别方法由于图像对比度高、特征不清晰、图像灰度不均匀等原因，很容易出现识别错误，而且当目标对象是电子元件时，由于其包装类型和形状很多，需要人工调整图像特征，这进一步增加了识别难度。
2、相关技术中，随着深度学习的蓬勃发展，基于深度学习的目标检测逐渐兴起并得到了广泛的应用。当前，电子器件目标检测的研究虽然取得了一些进展，但是在应用层面上仍然面临着网络参数量大、难以在嵌入式等检测设备上部署，以及轻量化后精度降低的难题。
3、综上，相关技术存在的问题亟需得到解决。
技术实现思路
1、本申请的目的在于至少一定程度上解决相关技术中存在的技术问题之一。
2、为此，本申请实施例的一个目的在于提供电子元件检测模型的训练、检测方法、系统、设备及介质。
3、为了达到上述技术目的，本申请实施例所采取的技术方案包括：
4、一方面，本申请实施例提供了电子元件检测模型的训练方法，
5、获取样本图像数据集和标签信息；所述样本图像数据集中包括若干样本图像，所述样本图像内包括有电子元件的图像内容，所述标签信息用于记录所述样本图像内的电子元件的位置信息和类别信息；
6、将所述样本图像输入到待训练的电子元件检测模型中，通过所述电子元件检测模型对所述样本图像中的电子元件进行检测识别，得到第一检测结果；
7、根据所述第一检测结果和所述标签信息，确定训练的损失值；
8、根据所述损失值，对所述电子元件检测模型的参数进行更新，得到训练好的电子元件检测模型；
9、其中，所述电子元件检测模型通过以下步骤搭建得到：
10、搭建yolov5s模型，以及搭建mobilenetv3模型；所述mobilenetv3模型中包括压缩和激励网络；
11、使用基于归一化的注意力模块替换所述mobilenetv3模型中的所述压缩和激励网络，得到第一模型；
12、使用所述第一模型替换所述yolov5s模型的主干网络，得到所述电子元件检测模型。
13、另外，根据本申请上述实施例的电子元件检测模型的训练方法，还可以具有以下附加的技术特征：
14、进一步地，在本申请的一个实施例中，所述获取样本图像数据集的步骤之后，所述方法还包括：
15、对所述样本图像数据集进行数据增强处理。
16、进一步地，在本申请的一个实施例中，所述数据增强处理包括以下步骤的至少一种：
17、对所述样本图像进行随机裁剪处理；
18、或者，对所述样本图像进行随机旋转处理；
19、或者，对所述样本图像进行亮度、对比度或者色彩调整处理；
20、或者，向所述样本图像添加随机噪声。
21、进一步地，在本申请的一个实施例中，所述电子元件包括排母、开口短路帽、三极管、电感、发光二极管、晶振按键开关、安规电容、多层陶瓷片式电容、瓷片电容或者电阻中的至少一种。
22、进一步地，在本申请的一个实施例中，所述yolov5s模型中包括特征金字塔网络；所述方法还包括：
23、搭建内容感知特征重组算子；
24、将所述内容感知特征重组算子添加到所述yolov5s模型中与所述特征金字塔网络融合，以替换所述yolov5s模型中配置的最邻近插值上采样算子。
25、进一步地，在本申请的一个实施例中，所述根据所述第一检测结果和所述标签信息，确定训练的损失值，包括：
26、获取预设的损失函数；所述损失函数采用0-1损失函数、平方损失函数、绝对损失函数、对数损失函数或者交叉熵损失函数；
27、根据所述第一检测结果和所述标签信息，基于所述损失函数确定训练的损失值。
28、另一方面，本申请实施例提供一种电子元件的检测方法，包括：
29、获取待检测的目标图像；所述目标图像内包括有电子元件的图像内容；
30、将所述目标图像输入到通过上述电子元件检测模型的训练方法训练得到的电子元件检测模型中，通过训练好的电子元件检测模型对所述目标图像中的电子元件进行检测识别，得到第二检测结果。
31、另一方面，本申请实施例提供一种电子元件检测模型的训练系统，所述系统包括：
32、获取单元，用于获取样本图像数据集和标签信息；所述样本图像数据集中包括若干样本图像，所述样本图像内包括有电子元件的图像内容，所述标签信息用于记录所述样本图像内的电子元件的位置信息和类别信息；
33、输入单元，用于将所述样本图像输入到待训练的电子元件检测模型中，通过所述电子元件检测模型对所述样本图像中的电子元件进行检测识别，得到第一检测结果；
34、处理单元，用于根据所述第一检测结果和所述标签信息，确定训练的损失值；
35、更新单元，用于根据所述损失值，对所述电子元件检测模型的参数进行更新，得到训练好的电子元件检测模型；
36、其中，所述电子元件检测模型通过以下步骤搭建得到：
37、搭建yolov5s模型，以及搭建mobilenetv3模型；所述mobilenetv3模型中包括压缩和激励网络；
38、使用基于归一化的注意力模块替换所述mobilenetv3模型中的所述压缩和激励网络，得到第一模型；
39、使用所述第一模型替换所述yolov5s模型的主干网络，得到所述电子元件检测模型。
40、另一方面，本申请实施例提供了一种电子设备，包括：
41、至少一个处理器；
42、至少一个存储器，用于存储至少一个程序；
43、当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的电子元件检测模型的训练方法或者电子元件的检测方法。
44、另一方面，本申请实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，上述处理器可执行的程序在由处理器执行时用于实现上述的电子元件检测模型的训练方法或者电子元件的检测方法。
45、本申请的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到：
46、本申请实施例所公开的电子元件检测模型的训练、检测方法、系统、设备及介质，该训练方法获取样本图像数据集和标签信息；所述样本图像数据集中本文档来自技高网...
【技术保护点】
1.一种电子元件检测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种电子元件检测模型的训练方法，其特征在于，所述获取样本图像数据集的步骤之后，所述方法还包括：
3.根据权利要求2所述的一种电子元件检测模型的训练方法，其特征在于，所述数据增强处理包括以下步骤的至少一种：
4.根据权利要求1所述的一种电子元件检测模型的训练方法，其特征在于，所述电子元件包括排母、开口短路帽、三极管、电感、发光二极管、晶振按键开关、安规电容、多层陶瓷片式电容、瓷片电容或者电阻中的至少一种。
5.根据权利要求1所述的一种电子元件检测模型的训练方法，其特征在于，所述Yolov5s模型中包括特征金字塔网络；所述方法还包括：
6.根据权利要求1-5中任一项所述的一种电子元件检测模型的训练方法，其特征在于，所述根据所述第一检测结果和所述标签信息，确定训练的损失值，包括：
7.一种电子元件的检测方法，其特征在于，包括：
8.一种电子元件检测模型的训练系统，其特征在于，所述系统包括：
9.一种电子设
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-6中任一项所述的一种电子元件检测模型的训练方法或者如权利要求7所述的一种电子元件的检测方法。
...【技术特征摘要】
1.一种电子元件检测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种电子元件检测模型的训练方法，其特征在于，所述获取样本图像数据集的步骤之后，所述方法还包括：
3.根据权利要求2所述的一种电子元件检测模型的训练方法，其特征在于，所述数据增强处理包括以下步骤的至少一种：
4.根据权利要求1所述的一种电子元件检测模型的训练方法，其特征在于，所述电子元件包括排母、开口短路帽、三极管、电感、发光二极管、晶振按键开关、安规电容、多层陶瓷片式电容、瓷片电容或者电阻中的至少一种。
5.根据权利要求1所述的一种电子元件检测模型的训练方法，其特征在于，所述yolov5...
【专利技术属性】
技术研发人员：王婧，
申请(专利权)人：中国电信股份有限公司，
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。