CN112001388A - 一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法 - Google Patents
一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法 Download PDFInfo
- Publication number
- CN112001388A CN112001388A CN202011179554.4A CN202011179554A CN112001388A CN 112001388 A CN112001388 A CN 112001388A CN 202011179554 A CN202011179554 A CN 202011179554A CN 112001388 A CN112001388 A CN 112001388A
- Authority
- CN
- China
- Prior art keywords
- model
- yolov3
- target
- circular
- circular target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法,首先对获取的印制电路板的X射线图像进行标注和数据集划分;然后利用设定的圆形anchor替换YOLOv3模型中的矩形anchor,使YOLOv3改进模型可以直接预测圆形目标的边界,接着对损失函数进行修改;其次,对所述YOLOv3改进模型进行迭代优化和验证,并基于非极大值抑制算法对三个检测层所有预测的圆形目标中低置信度的以及重叠较大的目标进行过滤,输出检测结果,相比于传统的圆形目标检测方法,本发明的精确性与鲁棒性更好;改进后的模型与原模型相比参数更少,速度更快且误检率更低。
Description
技术领域
本发明涉及印制电路板X射线图中的圆形目标的自动检测技术领域,尤其涉及一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法。
背景技术
检测印制电路板X射线图中的圆形目标是印制电路板生产与质检过程中的重要环节,传统的圆形目标检测方法大部分是基于Hough圆变化,该变化是将二维图像坐标系中的圆形方程转化到由圆心坐标以及半径所确定的三维空间中的方程,同一个圆上的点转化到三维空间中的方程会相交于一点。该方法可靠性强,但是计算量很大,且该方法图像的噪声较大且目标排列密集,边界点无法准确提取,因此使用传统方法时漏检率会较高。
基于深度学习的目标检测方法由于其显著的检测效果,近年来得到了广泛的研究与应用,其大致可分为两大类:基于候选区域的检测方法与单步检测方法。基于候选区域的检测方法是先通过区域建议网络找到可能包含目标的区域,然后再通过一个子卷积网络进行多分类与坐标回归,得到目标的类别与边界框,Faster R-CNN是该类方法中的一个代表模型;单步检测方法是端到端地进行目标检测,即直接利用卷积神经网络输出目标的类别、位置与大小,YOLOv3是该类方法的一个代表模型。这两类方法中,基于候选框的检测方法精度更高,但速度慢,而单步检测方法速度更快,但检测精度低。没有一种参数数目更少,速度更快且检测精度更高的检测方法。
发明内容
本发明的目的在于提供一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法,能进行快速且精准的检测。
为实现上述目的,本发明提供了一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法,包括以下步骤:
对获取的印制电路板的X射线图像进行标注,并将归一化后的图像与对应标签进行数据集划分;
基于YOLOv3模型进行改进,并输出对应的所述X射线图像的圆形目标的边界;
基于YOLOv3改进模型选择需要的设定元素,并计算所述设定元素与对应所述标签的圆形目标之间的误差;
对所述YOLOv3改进模型进行迭代优化和验证,并基于非极大值抑制算法输出所述圆形目标检测结果;
其中,对获取的印制电路板的X射线图像进行标注,并将归一化后的图像与对应标签进行数据集划分,包括:
按照设定的标注要求,利用标注工具中的圆形边框标注获取的X射线图像中的所有的圆形目标,同时在标注文件中记录每个所述圆形目标归一化后的圆心坐标和半径,并将所述X射线图像与对应的标签划分为训练集、验证集和测试集;
其中,基于YOLOv3模型进行改进,并输出对应的所述X射线图像的圆形目标的边界,包括:
利用设定的圆形anchor替换YOLOv3模型中的矩形anchor,并采用均值聚类算法将标签中的所有半径值聚为6个类。
其中,基于YOLOv3模型进行改进,并输出对应的所述X射线图像的圆形目标的边界,还包括:
根据聚类结果,划分所述YOLOv3模型的检测层,并按照设定的转化规则,将每个所述检测层输出的特征图转化为模型预测的圆形目标的边界。
其中,对所述YOLOv3改进模型进行迭代优化和验证,并基于非极大值抑制算法输出所述圆形目标检测结果,包括:
利用训练集和计算出的误差对所述YOLOv3改进模型进行迭代优化,并当所述YOLOv3改进模型在所述验证集上的准确率不变化后,完成对所述YOLOv3改进模型的训练。
其中,对所述YOLOv3改进模型进行迭代优化和验证,并基于非极大值抑制算法输出所述圆形目标检测结果,还包括:
在过滤后的预测目标集合中选择出第一预测目标,并计算出所述第一预测目标对应的重叠率,同时将大于重叠率阈值的对应的所述第一预测目标的基本参数从所述预测目标集合中删除,经过加权平均计算后,保存至检测集合中,直至所述预测目标集合为空集,完成所述圆形目标检测结果的输出。
本发明的一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法,首先对获取的印制电路板的X射线图像进行标注,并将归一化后的图像与对应标签进行数据集划分;然后利用设定的圆形anchor替换YOLOv3模型中的矩形anchor,使YOLOv3改进模型可以直接预测圆形目标的边界,接着基于YOLOv3改进模型选择需要的设定元素,并计算所述设定元素与对应所述标签的圆形目标之间的误差,实现对损失函数的修改;其次,对所述YOLOv3改进模型进行迭代优化和验证,并基于非极大值抑制算法对三个检测层所有预测的圆形目标中低置信度的以及重叠较大的目标进行过滤,输出所述圆形目标检测结果,利用待检测目标都是圆形这一先验条件,设计圆形的anchor,并相应修改模型的结构、损失函数与非极大值抑制算法;相比于传统的圆形目标检测方法,本发明的精确性与鲁棒性更好;改进后的模型与原模型相比参数更少,速度更快且误检率更低。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法的步骤示意图。
图2是本发明提供的将模型输出转为圆形目标的示意图。
图3是本发明提供的计算两个圆形目标iou(重叠率)的示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请参阅图1,本发明提供一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法,包括以下步骤:
S101、对获取的印制电路板的X射线图像进行标注,并将归一化后的图像与对应标签进行数据集划分。
具体的,按照设定的标注要求,对已有的印制电路板X射线图像进行标注,使用labelme标注工具中的圆形边框去标注图像中所有的圆形目标,设定的标注要求为:目标的轮廓为圆形且内部灰度值均匀的标志,对图像边界上的残缺目标不进行标注,对于图像内相互重叠的圆形目标,若重叠部分超过圆形面积的一半,则不予标记,否则进行标记;在标注文件中记录下每个圆形目标归一化之后的圆心坐标以及半径;然后将图像与对应标签分为训练集、验证集与测试集。
S102、基于YOLOv3模型进行改进,并输出对应的所述X射线图像的圆形目标的边界。
具体的,设计圆形的anchor,替换原模型中的矩形anchor,每个圆形anchor通过半径r定义;对标签中所有的半径值进行k-means聚类,聚为6个类,将聚类中心值作为anchor的半径,得到6种不同大小的圆形anchor;
基于YOLOv3模型进行改进,改进后的模型具有3个不同尺度的检测层,每个检测层配置
两种不同半径的anchor,检测层输出的特征图的每个元素通道数目为,即每种anchor
的目标置信度、圆心坐标调整参数以及半径r调整参数;
经过以上步骤改进得到的全卷积神经网络可用于检测输入图像中圆形目标的边界,具体可根据以下公式,可将模型检测层输出的特征图转化为模型所预测的圆形目标的边界:
其中,表示sigmoid函数,与分别表示当前特征图元素在特征图中的坐标,表示为anchor的半径;计算得到的分别表示预测的圆形目标的圆心坐标与半
径。以上计算过程如图2所示,其中,虚线圆圈表示该特征图所配置的一种半径为的
anchor,实线圆圈表示得到的预测目标。
S103、基于YOLOv3改进模型选择需要的设定元素,并计算所述设定元素与对应所述标签的圆形目标之间的误差。
具体的,首先,在检测层的特征图中寻找包含标签中真实目标的元素,一个特征图
元素包含真实目标当且仅当真实目标的圆心坐标取整后等于该元素在特征图里的坐标;然
后将两种anchor的半径与该真实目标半径比较,取半径最接近的anchor作为包含该目标的
anchor;最后使用sigmoid函数计算公式的逆过程,将真实目标的圆心坐标与半径转化为相
对于该元素以及该anchor的圆心调整参数以及半径r调整参数;使用以下公式计
算损失值:
其中,表示检测层输出的特征图的尺寸,表示anchor种类数;为大小为的一个矩阵在处的元素,当特征图第个元素的第个
anchor包含真实目标时,,否则;分别表示特征图第个元
素的第个anchor的真实的圆心调整参数、半径r调整参数和目标置信度,当这个anchor不
包含真实目标时,这些值都为0;分别表示特征图第个元素的第个
anchor的预测的圆心调整参数、半径r调整参数和目标置信度;与分别表示包含
真实目标的anchor与不包含真实目标的anchor的误差权重,本发明中
。
S104、对所述YOLOv3改进模型进行迭代优化和验证,并基于非极大值抑制算法输出所述圆形目标检测结果。
具体的,基于所设计的损失函数以及训练集数据,对改进模型进行迭代优化,使用Adam优化器,学习率设置为0.001,L2正则项系数为0.0005;当20个epoch内,模型在验证集上的准确率不再上升,停止训练。
对于模型的三个检测层输出的所有预测目标所构成的集合P,过滤掉目标置信度小于预先设定的置信度阈值的预测目标,在过滤后的预测目标集合P即在剩余的预测目
标集合P中,选取最大的第一预测目标,计算该第一预测目标与所述预测目标集合P中所
有预测目标的重叠率(iou),即计算两个圆形的相交面积除以相并面积,如图3所示;计算公
式为:
最终将iou大于预先设定的重叠率阈值(iou阈值)的第一预测目标从集合P中删除,将这些第一预测目标的基本参数,如圆心调整参数、半径r调整参数根据其目标置信度进行加权平均,得到一个最终预测目标,加入检测集合Q,直至集合P为空;集合Q即为模型最终的预测目标集合。
本发明提供了一种快速且精准地检测印制电路板X射线图中圆形目标的方法,使相关电子产品的生产或者质检效率得到极大提高;相比于传统的圆形目标检测方法,本方法所采用的基于深度学习模型的检测方法不需要人为地去设计待检测目标的特征,而是让模型自动地去学习图像特征与待检测目标之间的映射,因此模型的鲁棒性与精确性更好;且配置了6种不同尺寸的anchor,并且从三个尺度对输入图像进行检测,可对不同大小的圆形目标进行检测;本模型是基于全卷积神经网络,因此可以对不同尺寸的输入图像直接进行端到端的目标检测;本发明基于待检测目标都是圆形这一先验条件,对原本的YOLOv3模型进行改进,使得模型可以直接预测圆形目标的边界,并且目标误检率减少,同时模型的参数也得到减少,使模型训练速度与检测速率都进一步提高。
本发明所实现的基于YOLOv3改进模型的用于检测印制电路板X射线图中圆形目标的方法,在测试集上的平均精确率为98.42%,平均召回率为96.02%,平均iou为0.923,平均每幅图像耗时0.52s;本发明提供了一种快速且精确地用于检测印制电路板X射线图中圆形目标的方法。
本发明的一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法,首先对获取的印制电路板的X射线图像进行标注,并将归一化后的图像与对应标签进行数据集划分;然后利用设定的圆形anchor替换YOLOv3模型中的矩形anchor,使YOLOv3改进模型可以直接预测圆形目标的边界,接着基于YOLOv3改进模型选择需要的设定元素,并计算所述设定元素与对应所述标签的圆形目标之间的误差,实现对损失函数的修改;其次,对所述YOLOv3改进模型进行迭代优化和验证,并基于非极大值抑制算法对三个检测层所有预测的圆形目标中低置信度的以及重叠较大的目标进行过滤,输出所述圆形目标检测结果,利用待检测目标都是圆形这一先验条件,设计圆形的anchor,并相应修改模型的结构、损失函数与非极大值抑制算法;相比于传统的圆形目标检测方法,本发明的精确性与鲁棒性更好;改进后的模型与原模型相比参数更少,速度更快且误检率更低。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (4)
1.一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法,其特征在于,包括以下步骤:
对获取的印制电路板的X射线图像进行标注,并将归一化后的图像与对应标签进行数据集划分;
基于YOLOv3模型进行改进,并输出对应的所述X射线图像的圆形目标的边界;
基于YOLOv3改进模型选择需要的设定元素,并计算所述设定元素与对应所述标签的圆形目标之间的误差;
对所述YOLOv3改进模型进行迭代优化和验证,并基于非极大值抑制算法输出所述圆形目标检测结果;
其中,对获取的印制电路板的X射线图像进行标注,并将归一化后的图像与对应标签进行数据集划分,包括:
按照设定的标注要求,利用标注工具中的圆形边框标注获取的X射线图像中的所有的圆形目标,同时在标注文件中记录每个所述圆形目标归一化后的圆心坐标和半径,并将所述X射线图像与对应的标签划分为训练集、验证集和测试集;
其中,基于YOLOv3模型进行改进,并输出对应的所述X射线图像的圆形目标的边界,包括:
利用设定的圆形anchor替换YOLOv3模型中的矩形anchor,并采用均值聚类算法将标签中的所有半径值聚为6个类。
2.如权利要求1所述的基于YOLOv3改进模型的用于检测PCB中圆形目标的方法,其特征在于,基于YOLOv3模型进行改进,并输出对应的所述X射线图像的圆形目标的边界,还包括:
根据聚类结果,划分所述YOLOv3模型的检测层,并按照设定的转化规则,将每个所述检测层输出的特征图转化为模型预测的圆形目标的边界,其中,设定的所述转化规则为利用S型函数进行计算转化。
3.如权利要求2所述的基于YOLOv3改进模型的用于检测PCB中圆形目标的方法,其特征在于,对所述YOLOv3改进模型进行迭代优化和验证,并基于非极大值抑制算法输出所述圆形目标检测结果,包括:
利用训练集和计算出的误差对所述YOLOv3改进模型进行迭代优化,并当所述YOLOv3改进模型在所述验证集上的准确率不变化后,完成对所述YOLOv3改进模型的训练。
4.如权利要求3所述的基于YOLOv3改进模型的用于检测PCB中圆形目标的方法,其特征在于,对所述YOLOv3改进模型进行迭代优化和验证,并基于非极大值抑制算法输出所述圆形目标检测结果,还包括:
在过滤后的预测目标集合中选择出第一预测目标,并计算出所述第一预测目标对应的重叠率,同时将大于重叠率阈值的对应的所述第一预测目标的基本参数从所述预测目标集合中删除,经过加权平均计算后,保存至检测集合中,直至所述预测目标集合为空集,完成所述圆形目标检测结果的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011179554.4A CN112001388B (zh) | 2020-10-29 | 2020-10-29 | 一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011179554.4A CN112001388B (zh) | 2020-10-29 | 2020-10-29 | 一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001388A true CN112001388A (zh) | 2020-11-27 |
CN112001388B CN112001388B (zh) | 2021-02-19 |
Family
ID=73475787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011179554.4A Active CN112001388B (zh) | 2020-10-29 | 2020-10-29 | 一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001388B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580542A (zh) * | 2020-12-24 | 2021-03-30 | 杭州电子科技大学 | 一种基于目标检测的钢筋计数方法 |
-
2020
- 2020-10-29 CN CN202011179554.4A patent/CN112001388B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580542A (zh) * | 2020-12-24 | 2021-03-30 | 杭州电子科技大学 | 一种基于目标检测的钢筋计数方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112001388B (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871895B (zh) | 电路板的缺陷检测方法和装置 | |
CN110705601A (zh) | 基于单阶段目标检测的变电站设备渗漏油图像识别方法 | |
CN109191424B (zh) | 一种乳腺肿块检测与分类系统、计算机可读存储介质 | |
CN113516650B (zh) | 基于深度学习的电路板塞孔缺陷检测方法及装置 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN110889399B (zh) | 基于深度学习的高分辨率遥感影像弱小目标检测方法 | |
CN113283419B (zh) | 基于注意力的卷积神经网络指针式仪表图像读数识别方法 | |
CN111461213A (zh) | 一种目标检测模型的训练方法、目标快速检测方法 | |
CN116310837B (zh) | 一种sar舰船目标旋转检测方法及系统 | |
CN108615401B (zh) | 基于深度学习的室内非均匀光线车位状况识别方法 | |
CN111144425B (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN114913498A (zh) | 一种基于关键点估计的并行多尺度特征聚合车道线检测方法 | |
CN116228741A (zh) | 一种pcba元器件缺陷检测方法及装置 | |
CN110659637A (zh) | 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法 | |
CN115909280A (zh) | 基于多头注意力机制的交通标志识别算法 | |
CN115937659A (zh) | 基于Mask-RCNN的室内复杂环境下多目标检测方法 | |
CN115147418A (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN112001388B (zh) | 一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法 | |
CN111461177B (zh) | 一种图像的识别方法及装置 | |
CN113139549A (zh) | 一种基于多任务学习的参数自适应全景分割方法 | |
CN112785595B (zh) | 目标属性检测、神经网络训练及智能行驶方法、装置 | |
CN112329886A (zh) | 双车牌识别方法、模型训练方法、装置、设备及存储介质 | |
CN111539931A (zh) | 一种基于卷积神经网络和边界限定优化的外观异常检测方法 | |
US20230386023A1 (en) | Method for detecting medical images, electronic device, and storage medium | |
CN115953371A (zh) | 一种绝缘子缺陷检测方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |