[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

说明书

本发明公开了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，该针对电子元器件的无锚框目标检测网络包括Encoder、Decoder、Head部分，其中，Encoder部分包括改进型主干特征提取网络EfficientNet，该EfficientNet包括MBConv‑ECA模块以及可变性卷积模块，Decoder部分包括实现上采样功能的反卷积模块，Head部分包括分类预测以及边界框回归预测模块，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；利用该网络实现对电子元器件的无锚框目标检测，能够实时获得电子元器件的类别及其位置信息，实现电子元器件的实时检测。

技术领域

本发明属于电子元器件识别与检测领域，具体涉及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。

背景技术

电子元器件的识别与检测是实现电子元器件智能化装配中重要的一环。针对电子元器件的识别与检测技术也因此得到快速发展。现有技术中针对电子元器件的识别与检测主要集中在以下两种方式：一部分是基于传统的模板匹配与特征点匹配实现电子元器件的识别与定位，另一部分是基于深度学习的目标检测算法实现电子元器件的识别与定位。

但以上识别与定位技术仍有以下缺陷：1.基于传统的模板匹配与特征点匹配虽然速度较快，但其精确度不高且鲁棒性差，对光照以及图片拍摄角度有较高的要求。2.基于深度学习的目标检测算法实现电子元器件的检测都是基于锚框的，而锚框的大小设定很大程度会直接影响最终的检测效果。

发明内容

针对现有技术中存在的不足，本发明提出了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，不需要针对各种不同电子元器件设计对应尺寸的锚框，同时改进网络的结构能够实现电子元器件的准确识别。

本发明所采用的技术方案如下：

一种针对电子元器件的无锚框目标检测网络，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。

进一步，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。

进一步，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。

进一步，所述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；