基于改进的YOLOv5模型的电子元件缺陷检测方法技术

本发明专利技术公开了基于改进的YOLOv5模型的电子元件缺陷检测方法，采集电子元件图像，并将该图像制作为电子元件图像数据集，并进行预处理；获取ImageNet数据集、权重文件和标准YOLOv5网络结构，进行预训练，获得预训练权重；对标准YOLOv5网络结构进行改进，获得改进后的YOLOv5网络结构；利用预处理后的电子元件图像数据集和改进后的YOLOv5网络结构进行训练，并评估训练后得到的权重，进行超参数优化，重复训练直到识别率达到95%以上，此时的权重即为最终权重，获得最终的YOLOv5模型；利用最终的YOLOv5模型对电子元件进行缺陷检测，得到相应的检测结果。本发明专利技术增加了训练数据的丰富性，增强了模型的鲁棒性，提高了检测速度。

【技术实现步骤摘要】

本专利技术涉及深度学习和目标检测领域，具体涉及基于改进的yolov5模型的电子元件缺陷检测方法。

技术介绍

1、yolo(you only look once，你只看一次)是一种单阶段目标检测算法。yolo基于深度学习技术，利用了cnn(convolutional neural network,卷积神经网络)自动学习特征表示和处理图像数据的能力，可以更好地捕捉目标的上下文和语义信息。yolo通过在全图上进行卷积和池化操作，并在最后引入全连接层进行目标分类和定位，将物体检测任务转化为一个回归问题。yolov5是yolo系列目标检测算法的一个流行版本，它速度和准确度方面取得了一定的平衡，采用了轻量化网络结构，并在目标检测任务中取得了很好的性能。

2、然而，传统的yolov5算法仍存在以下缺陷：运用了单一的固定输入尺寸，导致对于较小目标的检测效果相对较差；当目标出现在图像中的密集区域时，在计算损失函数时，将每个预测框与真实框进行匹配的过程中，可能会出现多个预测框同时与同一个真实框匹配的情况，从而导致一些目标被漏掉，出现可漏检现象。yolov5的主干网本文档来自技高网...

【技术保护点】

1.基于改进的YOLOv5模型的电子元件缺陷检测方法，其特征在于，包括：

2.根据权利要求1所述的基于改进的YOLOv5模型的电子元件缺陷检测方法，其特征在于，步骤S1中，制作电子元件图像数据集包括以下内容：

3.根据权利要求1所述的基于改进的YOLOv5模型的电子元件缺陷检测方法，其特征在于，步骤S2中，对电子元件图像数据集进行预处理包括以下子步骤：

4.根据权利要求1所述的基于改进的YOLOv5模型的电子元件缺陷检测方法，其特征在于，步骤S3中，获得预训练权重包括以下子步骤：

5.根据权利要求1所述的基于改进的YOLOv5模型的电子元件...

【技术特征摘要】

1.基于改进的yolov5模型的电子元件缺陷检测方法，其特征在于，包括：

2.根据权利要求1所述的基于改进的yolov5模型的电子元件缺陷检测方法，其特征在于，步骤s1中，制作电子元件图像数据集包括以下内容：

3.根据权利要求1所述的基于改进的yolov5模型的电子元件缺陷检测方法，其特征在于，步骤s2中，对电子元件图像数据集进行预处理包括以下子步骤：

4.根据权利要求1所述的基于改进的yolov5模型的电子元件缺陷检测方法，其特征在于，步骤s3中，获得预训练权重包括以下子步骤：

5.根据权利要求1所述的基于改进的yolov5模型的电子元件缺陷检测方法，其特征在于，步骤s4中，调整efficientnet模块的网络深度、网络宽度和输入分辨率的比例，具体公式为：

...

【专利技术属性】
技术研发人员：吴蒙，崔庚，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：