[发明专利]一种基于改进YOLOv5n的计算机主板元器件检测方法

说明书

本发明涉及一种基于改进YOLOv5n的计算机主板元器件检测方法，属于目标检测领域。该方法包括：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：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；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精准且快速的定位和分类。

技术领域

本发明属于目标检测领域，涉及计算机主板元器件检测领域，具体涉及一种基于改进YOLOv5n的计算机主板元器件检测方法。

背景技术

计算机主板生产组装流程主要分为以下三个步骤：(1)首先是计算机主板的SMT贴片生产线，采用机械自动化的方式将一些无针脚的元器件焊接到计算机主板上；(2)其次是DIP插件生产线，由于计算机主板一些元器件(如：CPU风扇，显卡插槽，USB接口，PCIE接口，电源接口，CPU电源接口等)带有针脚，需要员工手动安装到计算机主板上，并对安装的这些元器件进行外观上的检查，是否有元器件缺失或者元器件插错的缺陷计算机主板，然后送入波峰焊机进行焊接；(3)最后是成品检测。如果在生产过程中，不能够及时发现那些有缺陷的计算机主板，在后续的生产过程中势必会浪费大量的原材料以及降低生产的效率和良品率。因此在计算机主板生产过程中，快速、高效、准确地检查出有缺失元器件或者插错元器件的缺陷主板是一项非常重要的任务。目前，检测计算机主板缺失元器件或者插错元器件的方法主要有两种：(1)依靠人的视觉检测；(2)使用AOI系统检测。依靠人的视觉的检测方法效率不仅低下，还会受到人的主观上的影响。采用AOI系统检测的方案确实能够减少人工的干预，但是AOI检测系统的价格比较昂贵，面对不同检测任务都需要进行复杂的编程。

与此同时，随着信息技术的不断发展，计算机已经涉及到各个不同的行业中，成为人们生活、工作、学习、娱乐不可缺少的工具。对大多数的计算机使用者来说，由于他们缺乏与计算机体系结构相关的基础知识，从而导致不能自行组装计算机、更换计算机相关的硬件。可以采用增强现实(AR)的技术从增强视觉的角度上辅助用户组装计算机、更换相关计算机硬件。然而，基于AR技术辅助用户组装计算机、更换计算机硬件最重要的任务就是对计算机主板上的元器件进行检测(定位与分类)。

得益于深度神经网络学习能力强、性能优越等优点，基于深度神经网络的目标检测算法不断在农业、制造业、服务业以及人们的日常生活中得到了广泛的应用。目标检测算法主要有两个任务：(1)在图像中对待检测目标进行定位；(2)在图像中对待检测目标进行分类。

基于深度神经网络的目标检测算法主要有两个分支：(1)二阶段目标检测算法。二阶段目标检测算法主要包括：R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN等。这些目标检测算法首先通过区域提议网络提取特征以减轻搜索空间，然后预测物体类别并完善区域提议网络，从而实现精确检测，这导致了较高的准确性，但效率较低。(2)一阶段目标检测算法。一阶段目标检测算法主要包括：SSD、YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5、RetinaNet、RefineDet等。这些目标检测算法直接对待检测目标进行和分类，检测速度快于二阶段目标检测算法，但检测精度可能低于二阶段目标检测算法。

计算机主板元器件检测难点分析：

(1)由于计算机主板体系结构设计的问题，某些类别的元器件数量较多，而某些类别的元器件数量较少，导致计算机主板元器件检测数据集出现类别样本不均衡问题，这会导致模型对某些少样本类别的元器件过拟合，从而导致模型在这些类别的元器件检测的准确率不高。