[发明专利]一种针对电子元器件的无锚框目标检测网络及应用该网络的检测方法

权利要求书

1.一种针对电子元器件的无锚框目标检测网络，其特征在于，包括Encoder、Decoder以及Head三个部分；所述Encoder采用改进型主干特征提取网络EfficientNet，改进型主干特征提取网络EfficientNet是由MBConv-ECA模块以及可变形卷积模块组成；经过改进型主干特征提取网络EfficientNet即可完成对输入图片的特征提取，生成最终的特征图；

Decoder由多个反卷积模块组成，由反卷积模块进行反卷积操作；Decoder部分是将改进型主干特征提取网络EfficientNet生成的最终特征图经过反卷积操作，生成最终的预测特征图；

Head部分包含分类预测以及回归预测这两个分支；在经过Decoder部分获得最终的预测特征图后，将最终的预测特征图传入Head部分生成分类预测结果以及边框回归预测结果。

2.根据权利要求1所述的一种针对电子元器件的无锚框目标检测网络，其特征在于，所述改进型主干特征提取网络EfficientNet的结构8个Layer,其中，Layer1为普通的3×3的卷积，Layer2-Layer6由MBConv-ECA模块组成，Layer7-Layer8由可变性卷积模块组成。

3.根据权利要求1所述的一种针对电子元器件的无锚框目标检测网络，其特征在于，MBConv-ECA模块是将MBConv模块中的注意力机制SE模块替换为ECA模块；所述MBConv-ECA模块包括1×1的卷积、BN层以及Swish激活函数、k×k深度可分离卷积、ECA模块和1×1的卷积。

4.根据权利要求3所述的一种针对电子元器件的无锚框目标检测网络，其特征在于，述ECA模块将提取特征后的特征图进行自适应全局平均池化将H×W×C的特征图转化为1×1×C，接下来会经过卷积核为k的一维卷积，其中，k是根据通道数生成的，具体见如下表达式：

其中，H、W、C分别是分别表示特征图的高、宽以及通道数；b、γ为上式卷积核生成函数中的超参数，b＝1，γ＝2，若k能被2整除则k＝k，若k不能被2整除则k＝k+1；

经过一维卷积后，每一个通道都能关注到其邻近k个通道之间的关系，再经过Sigmoid激活函数得到每一个通道对应的权重，权重维度为1×1×C，再与传入的特征图H×W×C相乘即可以得到经过ECA注意力模块之后的特征图。

5.根据权利要求3所述的一种针对电子元器件的无锚框目标检测网络，其特征在于，将MBConv-ECA模块中的k×k深度可分离卷积替换为可变性卷积得到可变形卷积模块，可变形卷积通过对每一个卷积核参数学习一个方向向量，这使得卷积核可以变成任意形状，提高网络的泛化性，增强网络的特征提取能力，而不受限于固定不变的卷积核。

6.根据权利要求1所述的一种针对电子元器件的无锚框目标检测网络，其特征在于，在分类预测与边框回归预测之后，对该无锚框目标检测网络正向传播的结果与真实值进行损失计算并进行反向传播，从而更新梯度，完成网络的训练。

7.根据权利要求6所述的一种针对电子元器件的无锚框目标检测网络，其特征在于，所述损失包括分类损失以及边框回归损失，表示为：

L_总＝λ₁L_cls+λ₂L_reg

其中，λ₁与λ₂分别代表分类损失与边框回归损失所占总损失的比例，L_cls是分类损失，L_reg是边框回归损失。