[发明专利]一种基于轻量级网络的PCB元器件检测方法

权利要求书

1.一种基于轻量级网络的PCB元器件检测方法，其特征在于，包括以下步骤：

S1、拍摄高清PCB元器件样本，并对PCB元器件样本进行数据增广，对其中的各类元器件进行标注，获得PCB元器件数据库，PCB元器件数据库包括PCB元器件训练样本和PCB元器件测试样本；

S2、将PCB元器件训练样本送入深度神经网络进行训练，直至深度学习网络收敛，获得用于检测PCB元器件的目标检测网络和权重文件；

S3、利用步骤S2训练好的深度学习网络和权重文件来检测PCB元器件测试样本中的PCB元器件目标，并输出检测结果。

2.根据权利要求1所述的基于轻量级网络的PCB元器件检测方法，其特征在于，步骤S1中对PCB元器件样本进行数据增广的操作包括：对预处理之后的图像随机地进行水平或垂直翻转、旋转、缩放、裁剪、平移、对比度调整、色彩抖动和添加噪声操作。

3.根据权利要求2所述的基于轻量级网络的PCB元器件检测方法，其特征在于，图像的预处理是指将分辨率为2048×2048的原图切割成1024×1024大小。

4.根据权利要求1所述的基于轻量级网络的PCB元器件检测方法，其特征在于，步骤S1中PCB元器件样本中包括11类PCB元器件，具体包括电容、芯片、电阻、三极管和二极管五大类，每大类下由若干小类，共11个小类。

5.根据权利要求1所述的基于轻量级网络的PCB元器件检测方法，其特征在于，步骤S2包括以下步骤：

S201、将PCB元器件数据库中的训练样本送入改进的特征提取网络和检测网络结构中，利用Kaiming初始化的方式，设置改进的特征提取网络和检测网络训练的学习率迭代次数以及batch size值；

S202、训练样本首先经过改进的特征提取网络，其包含一个Stem Block模块以及三个由Dense Block和Transition Layer组成的模块，最终得到高层特征图；

S203、将S202中的高层特征图输入RPN网络，主要用于生成区域候选框；首先生成若干anchor box，一个分支对其进行裁剪筛选后通过softmax判断anchors是否属于前景，另一分支对anchor box进行边界框修正，形成较精确的候选框；

S204、将步骤S202中产生的高层特征图与步骤S203中产生的候选框输入上下文感知的ROI池化层，得到固定大小的候选框特征图；

S205、将步骤S204中产生的固定大小的候选框特征图输入全连接层与softmax层，计算每个候选框含有各PCB元器件的概率，同时利用边界框回归获得更加精确的目标检测框；

S206、当达到最大迭代次数或损失函数收敛时，停止训练，获得用于检测PCB元器件的目标检测网络和权重文件。

6.根据权利要求5所述的基于轻量级网络的PCB元器件检测方法，其特征在于，改进的特征提取网络和检测网络结构为：

训练样本或测试样本从第0层卷积层输入网络，依次经过0,1,2,…,6层处理，最终从第6层全连接层输出。

7.根据权利要求5所述的基于轻量级网络的PCB元器件检测方法，其特征在于，步骤S202中Stem Block模块包括以下过程：先进行步长为2，卷积核为32×3×3的卷积操作，然后分成两通道，其中一个通道经过一个步长为1，卷积核为32×1×1和步长为2，卷积核为32×3×3的卷积操作；另外一个通道经过一个步长为1，卷积核为32×1×1的卷积操作和步长为2，2×2的最大池化操作。将两通道得到的特征图按通道维度融合，再进行步长为1，卷积核为32×1×1的卷积操作。Dense Block由若干Dense Layer组成，Dense Layer具体过程如下：一个通道使用两个1x1卷积进行特征提取，另一个通道则在1×1卷积之后，再经过两层3×3卷积，最后将两个通道的特征图融合。