[发明专利]一种基于改进YOLOv5n的计算机主板元器件检测方法

权利要求书

1.一种基于改进YOLOv5n的计算机主板元器件检测方法，其特征在于，该方法具体包括以下步骤：

S1：收集计算机主板图像并对元器件进行标注，得到数据集；

S2：划分训练集、验证集和测试集；

S3：构建改进YOLOv5n元器件检测模型，具体包括：

S31：构建主干特征提取网络、颈部特征融合网络和头部检测网络；

S32：在主干特征提取网络中嵌入三个CA注意力机制，从而增强特征提取的能力；

S4：使用构建的改进YOLOv5n元器件检测模型在训练集上训练，并在验证集上验证模型的检测能力，取验证集上表现最好的权重文件在测试集上评估结果；

S5：将训练好的改进YOLOv5n元器件检测模型对待检测的计算机主板图像进行元器件的定位和分类。

2.根据权利要求1所述的基于改进YOLOv5n的计算机主板元器件检测方法，其特征在于，步骤S1具体包括：从多个计算机主板厂商官方网站及二手平台收集大量的计算机主板图像，使用LabelImg工具对获取到的计算机主板图像进行元器件标注，从而建立计算机主板元器件检测数据集。

3.根据权利要求1所述的基于改进YOLOv5n的计算机主板元器件检测方法，其特征在于，步骤S2具体包括：采用6：2：2的比例将计算机主板元器件检测数据集划分为训练集、验证集和测试集。

4.根据权利要求1所述的基于改进YOLOv5n的计算机主板元器件检测方法，其特征在于，步骤S31中，所述主干特征提取网络由卷积模块、C3模块和SPPF模块组成；其中，卷积模块是对图像进行下采样计算，降低图片的尺寸，将信息学习到通道C中；每次进行下采样计算，图片的尺寸就会变为原尺寸的一半，而通道的数量就会变为原来的二倍；C3模块用于残差的学习；SPPF模块表示空间金字塔快速池化模块，用于增大网络的感受野；

颈部特征融合的网络由FPN和PAN组成；其中，FPN把深层的语义特征信息传到浅层，从而增强多个尺度上的语义信息表达，而PAN则是把浅层的语义信息传导到深层，增强网络在多个尺度上的定位能力；

头部检测网络包括三个检测层：小尺度检测层、中型尺度检测层和大尺度检测层；分别用于检测小型尺寸目标、中型尺寸目标、大型尺寸目标。

5.根据权利要求1所述的基于改进YOLOv5n的计算机主板元器件检测方法，其特征在于，步骤S32中，三个CA注意力机制嵌入在主干特征提取网络中的三个C3模块的后面。

6.根据权利要求1或5所述的基于改进YOLOv5n的计算机主板元器件检测方法，其特征在于，步骤S32中，所述CA注意力机制是一个即插即用的模块，将输入的特征图F在宽度和高度方向上进行自适应平均池化，从而获得在宽度和高度这个两个方向上的特征图F-w、F-h；然后将这两个特征图拼接在一起，送入1x1大小的卷积核，将其通道数量变成原来的C/r并送入Sigmoid激活函数得到的特征图F1；将获取到的特征图F1拆分为宽度方向特征图F-w1和高度方向特征图F-h1，然后将这两个特征图送入1x1的卷积和，将通道数量变成C，送入Sigmoid激活函数得到F-w2和F-h2这两个特征图；最后将这两个特征图与原始特征图相乘，得到注意力加权后的特征图F＝F*(F-w2)*(F-h2)。

7.根据权利要求1所述的基于改进YOLOv5n的计算机主板元器件检测方法，其特征在于，步骤S4具体包括：设置改进YOLOv5n元器件检测模型的参数：训练次数、元器件类别、学习率和输入图像尺寸；利用训练集训练改进YOLOv5n元器件检测模型，采用反向传播以及梯度下降的方式不断优化深度卷积神经网络的权重，从而降低损失函数的值，使改进YOLOv5n元器件检测模型达到次优解；将模型在验证集上进行评估，取验证集上表现最好的那个模型用于测试集的评估。