[发明专利]基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法

权利要求书

1.基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法，包括试验机壳体(1)，其特征在于：具体包括以下步骤：

(1)利用高速工业相机采集工厂流水线上不同种类的电子元器件表面缺陷图像；

(2)利用图像标注工具LabelImg对电子元器件表面图像进行缺陷位置和类型的标注，构建缺陷数据集，并将其分为训练数据集D和测试数据集T；

(3)对步骤(2)中构建的所述训练数据集D进一步进行数据扩充，得到扩充后的训练数据集D_k；

(4)基于YOLOv5卷积神经网络基本框架，构建用于缺陷检测的深度学习网络模型；

(5)用步骤(3)中得到的所述训练数据集D_k来训练步骤(4)中构建的所述深度学习网络模型；

(6)采用多线程并行的方式并行获取电子元器件生产流水线上多路摄像头所采集的电子元器件表面图像，并将多个通道的图像数据进行三维叠加，然后输入到训练好的深度学习网络模型中，进行缺陷检测，得到检测结果。

2.根据权利要求1所述的基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法，其特征在于：步骤(1)中不同种类的电子元器件表面缺陷主要包括：划痕、破损、污渍、断脚、开裂5个类别，每个类别各采集1000张图像，其中每张图像大小为640*480，共得到5000张缺陷数据图像作为初始数据集。

3.根据权利要求1所述的基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法，其特征在于：步骤(2)中利用LabelImg标注图像中的缺陷，记录相应的缺陷位置坐标和类别信息，然后按照8:2的比例将整个数据集划分为训练集D和测试集T。

4.根据权利要求1所述的基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法，其特征在于：步骤(3)中数据扩充的具体方式为对训练集中的图像进行随机水平翻转、垂直翻转、角度旋转、亮度变化、对比度变化等操作，得到扩充后的训练数据集Dk，数量为20000张。

5.根据权利要求1所述的基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法，其特征在于：步骤(4)中基于YOLOv5卷积神经网络基本框架，搭建用于缺陷检测的深度学习网络模型，其主要分为输入端、特征提取Backbone网络、特征处理Neck网络、输出端四个部分。