CN115100492B - Yolov3网络训练、pcb表面缺陷检测方法及装置 - Google Patents

Yolov3网络训练、pcb表面缺陷检测方法及装置 Download PDF

Info

Publication number
CN115100492B
CN115100492B CN202211029070.0A CN202211029070A CN115100492B CN 115100492 B CN115100492 B CN 115100492B CN 202211029070 A CN202211029070 A CN 202211029070A CN 115100492 B CN115100492 B CN 115100492B
Authority
CN
China
Prior art keywords
array
width
height
target
determining
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.)
Active
Application number
CN202211029070.0A
Other languages
English (en)
Other versions
CN115100492A (zh
Inventor
强虎
周强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Moore Threads Technology Co Ltd
Original Assignee
Moore Threads Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Moore Threads Technology Co Ltd filed Critical Moore Threads Technology Co Ltd
Priority to CN202211029070.0A priority Critical patent/CN115100492B/zh
Publication of CN115100492A publication Critical patent/CN115100492A/zh
Application granted granted Critical
Publication of CN115100492B publication Critical patent/CN115100492B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30141—Printed circuit board [PCB]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及计算机技术领域，公开了一种YOLOV3网络训练、PCB表面缺陷检测方法及装置，所述YOLOV3网络训练方法包括：利用中值Kmeans聚类算法，对训练样本图像集中的多个样本标注框进行聚类，确定所述训练样本图像集对应的目标YOLOV3锚框；基于所述训练样本图像集和所述目标YOLOV3锚框，对初始YOLOV3网络进行训练，得到目标YOLOV3网络，其中，所述目标YOLOV3网络用于对待检测图像进行目标检测。本公开实施例可以在训练过程中快速收敛得到目标YOLOV3网络，从而有效提高网络训练效率。

Description

YOLOV3网络训练、PCB表面缺陷检测方法及装置
技术领域
本公开涉及计算机技术领域，尤其涉及一种YOLOV3网络训练、PCB表面缺陷检测方法及装置。
背景技术
印刷电路板（PCB）是保证电子产品质量的关键，因此，PCB表面缺陷检测技术在半导体行业备受关注。随着计算机视觉技术的发展，PCB表面缺陷检测技术取得了很大的进步，但是，由于PCB板表面缺陷的多样性，导致基于传统和深度学习的算法检测效果较差，并且基于深度学习的缺陷检测算法在训练网络模型时收敛较慢，训练时间长，如果训练技巧使用不当会导致网络模型精度下降。
发明内容
本公开提出了一种YOLOV3网络训练、PCB表面缺陷检测方法及装置的技术方案。
根据本公开的一方面，提供了一种YOLOV3网络训练方法，包括：利用中值Kmeans聚类算法，对训练样本图像集中的多个样本标注框进行聚类，确定所述训练样本图像集对应的目标YOLOV3锚框；基于所述训练样本图像集和所述目标YOLOV3锚框，对初始YOLOV3网络进行训练，得到目标YOLOV3网络，其中，所述目标YOLOV3网络用于对待检测图像进行目标检测。
在一种可能的实现方式中，所述利用中值Kmeans聚类算法，对训练样本图像集中的多个样本标注框进行聚类，确定所述训练样本图像集对应的目标YOLOV3锚框，包括：基于所述多个样本标注框，确定宽度数组和高度数组；基于所述宽度数组和所述高度数组，利用中值算法，确定N个初始聚类中心，其中，一个聚类中心中包括一个宽度和一个高度，N为正整数；基于所述N个初始聚类中心，利用Kmeans聚类算法，对所述多个样本标注框进行聚类，得到N个目标聚类中心；基于所述N个目标聚类中心，确定N个目标YOLOV3锚框。
在一种可能的实现方式中，所述基于所述宽度数组和所述高度数组，利用中值算法，确定N个初始聚类中心，包括：分别对所述宽度数组中的多个宽度、以及所述高度数组中的多个高度进行顺序排列，得到排序后宽度数组和排序后高度数组；分别对所述排序后宽度数组、以及所述排序后高度数组进行N等分，得到N个宽度子数组和N个高度子数组，其中，任一所述宽度子数组中包括n个宽度，任一所述高度子数组中包括n个高度，n为正整数；基于所述N个宽度子数组、以及所述N个高度子数组，利用中值算法，确定所述N个初始聚类中心。
在一种可能的实现方式中，所述分别对所述排序后宽度数组、以及所述排序后高度数组进行N等分，得到N个宽度子数组和N个高度子数组，包括：在所述排序后宽度数组中多个宽度的数量、以及所述排序后高度数组中多个高度的数量不是N的倍数的情况下，确定所述排序后宽度数组中多个宽度的数量、以及所述排序后高度数组中多个高度的数量除以N的余数p，其中，p为正整数；在所述排序后宽度数组中删除p个宽度、以及在所述排序后高度数组中删除p个高度后进行N等分，得到所述N个宽度子数组和所述N个高度子数组。
在一种可能的实现方式中，在n为奇数的情况下，所述基于所述N个宽度子数组、以及所述N个高度子数组，利用中值算法，确定所述N个初始聚类中心，包括：针对第i个宽度子数组，将所述第i个宽度子数组中的第
Figure 973832DEST_PATH_IMAGE001
个宽度确定为第i个初始聚类中心的宽度，以及将所述第i个高度子数组中的第
Figure 867883DEST_PATH_IMAGE001
个高度确定为第i个初始聚类中心的高度。
在一种可能的实现方式中，在n为偶数的情况下，所述基于所述N个宽度子数组、以及所述N个高度子数组，利用中值算法，确定所述N个初始聚类中心，包括：针对第i个宽度子数组，将所述第i个宽度子数组中的第
Figure 12557DEST_PATH_IMAGE002
个和第
Figure 47378DEST_PATH_IMAGE003
个宽度的均值确定为第i个初始聚类中心的宽度，以及将所述第i个宽度子数组中的第
Figure 910292DEST_PATH_IMAGE002
个和第
Figure 26278DEST_PATH_IMAGE003
个高度确定为第i个初始聚类中心的高度。
在一种可能的实现方式中，所述初始YOLOV3网络中包括特征加强层，所述特征加强层中包括SENet模块。
根据本公开的一方面，提供了一种PCB表面缺陷检测方法，包括：对待检测PCB进行图像采集，得到待检测图像；利用目标YOLOV3网络，对所述待检测图像进行表面缺陷检测，确定所述待检测PCB表面缺陷的位置和类别，其中，所述目标YOLOV3网络采用上述方法训练得到。
根据本公开的一方面，提供了一种YOLOV3网络训练装置，包括：聚类模块，用于利用中值Kmeans聚类算法，对训练样本图像集中的多个样本标注框进行聚类，确定所述训练样本图像集对应的目标YOLOV3锚框；训练模块，用于基于所述训练样本图像集和所述目标YOLOV3锚框，对初始YOLOV3网络进行训练，得到目标YOLOV3网络，其中，所述目标YOLOV3网络用于对待检测图像进行目标检测。
根据本公开的一方面，提供了一种PCB表面缺陷检测装置，包括：图像采集模块，用于对待检测PCB进行图像采集，得到待检测图像；缺陷检测模块，用于利用目标YOLOV3网络，对所述待检测图像进行表面缺陷检测，确定所述待检测PCB表面缺陷的位置和类别，其中，所述目标YOLOV3网络采用上述方法训练得到。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，利用中值Kmeans聚类算法，对训练样本图像集中的多个样本标注框进行聚类，从而有效确定训练样本图像集对应的，质量较高且较稳定的目标YOLOV3锚框，进而，基于训练样本图像集和目标YOLOV3锚框，对初始YOLOV3网络进行训练，由于作为先验的目标YOLOV3锚框与训练样本图像集相匹配，以使得初始YOLOV3网络在训练过程中可以快速收敛得到目标YOLOV3网络，从而有效提高网络训练效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种YOLOV3网络训练方法的流程图。
图2示出根据本公开实施例的一种初始聚类中心确定方法的流程图。
图3示出根据本公开实施例的一种YOLOV3网络训练装置的框图。
图4示出根据本公开实施例的一种电子设备的框图。
图5示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
PCB是保证电子产品质量的关键，因此，PCB表面缺陷检测技术在半导体行业备受关注。随着计算机视觉技术的发展，PCB表面缺陷检测技术取得了很大的进步。通过训练用于进行PCB表面缺陷检测的YOLOV3网络，以使得可以利用训练好的YOLOV3网络有效进行PCB表面缺陷检测。
相关技术中，YOLOV3网络使用Kmeans算法在不同的训练样本图像集上进行聚类得出不同尺寸的锚框，其主要操作是对训练样本图像集中样本标注框的宽和高进行Kmeans聚类。YOLOV3网络的预测层包含三种尺度信息，每个尺度信息分别对应一个特征层，每个特征层需要三个不同大小的YOLOV3锚框来完成预测功能，因此，需要对训练样本图像集中样本标注框的宽和高进行聚类，得到9种尺寸的YOLOV3锚框。进而基于训练样本图像集，以9种尺寸的YOLOV3锚框作为先验，对YOLOV3网络进行网络训练。
在将YOLOV3网络应用于PCB表面缺陷检测时，由于PCB板缺陷的多样性，导致基于传统和深度学习的算法检测效果较差，并且基于深度学习的缺陷检测算法在训练模型的时候收敛较慢，训练时间长，如果训练技巧使用不当会导致模型精度下降。
相关技术中，基于Kmeans算法为YOLOV3网络生成锚框的基本流程如下：（1）基于YOLOV3网络的训练样本图像数据集中的多个样本标注框，随机选取9个点（样本标注框的长度和高度构成）作为初始聚类的中心：K1、K2、K3、K4、K5、K6、K7、K8、K9；（2）计算每个样本标注框与这些聚类中心的距离，针对任一样本标注框，根据其到哪个聚类中心的距离最小，就将其划分到对应该聚类中心的类中；（3）针对每个类别i，重新计算该类别的聚类中心
Figure 274725DEST_PATH_IMAGE004
，其中，
Figure 496759DEST_PATH_IMAGE005
代表类别i重新计算后的聚类中心，可以记为第i个聚类中心，m代表聚类到类别i中的样本标注框的数量，m为正整数；（4）重复上述步骤（2）和（3），直到聚类中心的位置不再发生变化，根据最终聚类得到的9个聚类中心，即可作为9种尺寸的YOLOV3锚框。Kmeans算法较为简单，但是由于其随机地确定初始聚类中心，不同的初始聚类中心可能导致完全不同的聚类结果，锚框的聚类结果会影响YOLOV3网络训练过程的收敛速度，以及训练后的检测精度，对YOLOV3网络应用于目标检测有非常重要的影响。
相关技术中，基于Kmeans++算法对Kmeans算法中第一步的随机点选择进行了改进，其聚类步骤如下：（1）基于YOLOV3网络的训练样本图像数据集中的多个样本标注框，随机选取一个样本标注框作为初始聚类中心c1（样本标注框的长度和高度构成）；（2）对于训练样本图像数据集中的每个样本标注框x，计算其与最近初始聚类中心的距离d；（3）利用公式
Figure 597701DEST_PATH_IMAGE006
计算每个样本x被选为下一个初始聚类中心的概率，其中，M是所有样本标注框的数量，M是正整数；（4）根据每个样本x被选为下一个初始聚类中心的概率，按照轮盘法选择出下一个初始聚类中心；（5）重复上述步骤（2）-（4），直至选出9个初始聚类中心。Kmeans++算法可以在一定程度上选择初始聚类中心，但是其第一个初始聚类中心依然是随机选取的，并且后续初始聚类中心的选择，高度依赖已选出的初始聚类中心，因此，基于Kmeans++算法聚类的YOLOV3锚框依然存在随机性，可能会影响YOLOV3网络的训练收敛速度，以及会影响训练后的YOLOV3网络的检测精度。
为了将YOLOV3网络更好地应用于PCB表面缺陷检测，本公开提供了一种YOLOV3网络训练方法，能够解决YOLOV3锚框生成质量问题和稳定性问题，以使得利用生成的目标YOLOV3锚框，可以提高YOLOV3网络训练过程的收敛速度，从而有效提高网络训练效率。下文对本公开实施例提供的一种YOLOV3网络训练方法进行详细描述。
图1示出根据本公开实施例的一种YOLOV3网络训练方法的流程图。该方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备（User Equipment，UE）、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理（Personal Digital Assistant，PDA）、手持设备、计算设备、车载设备、可穿戴设备等，该方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行该方法。如图1所示，该方法可以包括：
在步骤S11中，利用中值Kmeans聚类算法，对训练样本图像集中的多个样本标注框进行聚类，确定训练样本图像集对应的目标YOLOV3锚框。
这里的训练样本图像集可以是用于对YOLOV3网络进行训练的样本图像构成的。在一示例中，在训练应用于PCB表面缺陷检测的目标YOLOV3网络的情况下，可以对样本PCB板进行图像采集，得到样本图像，进而构建得到该训练样本图像集。例如，训练样本图像可以为公开数据集DeepPCB。
其中，针对训练样本图像集中的样本图像，对样本图像中的目标对象（例如，PCB表面缺陷）进行标注，得到训练样本图像集中的多个样本标注框。
在一示例中，可以记录训练样本图像集中每个样本标注框的尺寸标签，并将其单独存储在标签（label）文件中。
针对任一样本标注框，其对应的尺寸标签可以包括该样本标注框的左上角顶点坐标和右下角顶点坐标，以指示该样本标注框的尺寸大小。尺寸标签的具体形式还可以根据实际情况设置为其它格式，本公开对此不作具体限定。
根据训练样本图像集中的多个样本标注框的尺寸分布，可以利用中值Kmeans聚类算法对多个样本标注框进行聚类，从而有效确定训练样本图像集对应的目标YOLOV3锚框。后文会结合本公开可能的实现方式，对利用中值Kmeans聚类算法对多个样本标注框进行聚类的过程进行详细描述，此处不作赘述。
在步骤S12中，基于训练样本图像集和目标YOLOV3锚框，对初始YOLOV3网络进行训练，得到目标YOLOV3网络，其中，目标YOLOV3网络用于对待检测图像进行目标检测。
将目标YOLOV3锚框作为先验信息，利用训练样本图像集对初始YOLOV3网络进行训练，从而快速得到用于对待检测图像进行目标检测的目标YOLOV3网络。网络训练过程可以参考相关技术中的YOLOV3网络训练过程，本公开对此不作具体限定。
在本公开实施例中，利用中值Kmeans聚类算法，对训练样本图像集中的多个样本标注框进行聚类，从而有效确定训练样本图像集对应的，质量较高且较稳定的目标YOLOV3锚框，进而，基于训练样本图像集和目标YOLOV3锚框，对初始YOLOV3网络进行训练，由于作为先验的目标YOLOV3锚框与训练样本图像集相匹配，以使得初始YOLOV3网络在训练过程中可以快速收敛得到目标YOLOV3网络，从而有效提高网络训练效率。
在一种可能的实现方式中，利用中值Kmeans聚类算法，对训练样本图像集中的多个样本标注框进行聚类，确定训练样本图像集对应的目标YOLOV3锚框，包括：基于多个样本标注框，确定宽度数组和高度数组；基于宽度数组和所述高度数组，利用中值算法，确定N个初始聚类中心，其中，一个聚类中心中包括一个宽度和一个高度，N为正整数；基于N个初始聚类中心，利用Kmeans聚类算法，对多个样本标注框进行聚类，得到N个目标聚类中心；基于N个目标聚类中心，确定N个目标YOLOV3锚框。
基于多个样本标注框确定宽度数组和高度数组，进而基于宽度数组和高度数组，利用中值算法确定N个初始聚类中心，以使得初始聚类中心的确定更加符合多个样本标注框的尺寸分布，可以更好地用于后续确定目标YOLOV3锚框。
其中，N的具体取值可以根据YOLOV3网络的输出结构来确定，例如，在原始YOLOV3网络中需要9种尺寸的YOLOV3锚框，N取值为9，本公开对此不作具体限定。
根据N个初始聚类中心，利用Kmeans聚类算法，对多个样本标注框进行聚类，从而可以根据最终聚类得到的N个目标聚类中心，有效确定质量和稳定性均较高的N个目标YOLOV3锚框。
图2示出根据本公开实施例的一种初始聚类中心确定方法的流程图。如图2所示，在步骤S201中，根据训练样本图像集中的M个样本标注框，新建宽度数组W和高度数组H。其中，宽度数组W中包括M个样本标注框的宽度，高度数组H中包括M个样本标注框的高度。
在一示例中，从训练样本图像集对应的label文件中获取各个样本标注框的宽度和高度。如图2所示，在步骤S202中，针对第i个样本标注框，判断i是否小于M。在i小于M的情况下，跳转执行步骤S203；在i不小于M的情况下，跳转执行步骤S204。在步骤S203中，Wi=Bboxi[0]，Hi=Bboxi[1]，其中，Wi指示宽度数组W中的第i个宽度，Hi指示高度数组H中的第i个高度，Bboxi[0]指示第i个样本标注框的宽度，Bboxi[1]指示第i个样本标注框的高度。在i不小于M的情况下，表示已经对所有样本标注框的宽度和高度执行完成上述操作，构建完成宽度数组W和高度数组H。
在一种可能的实现方式中，基于宽度数组和所述高度数组，利用中值算法，确定N个初始聚类中心，包括：分别对宽度数组中的多个宽度、以及高度数组中的多个高度进行顺序排列，得到排序后宽度数组和排序后高度数组；分别对排序后宽度数组、以及排序后高度数组进行N等分，得到N个宽度子数组和N个高度子数组，其中，任一宽度子数组中包括n个宽度，任一高度子数组中包括n个高度，n为正整数；基于N个宽度子数组、以及N个高度子数组，利用中值算法，确定N个初始聚类中心。
为了更好地利用中值算法从宽度数组和高度数组中确定N个初始聚类中心，分别对宽度数组中的多个宽度、以及高度数组中的多个高度进行顺序排列，得到排序后宽度数组和排序后高度数组，进而分别对排序后宽度数组、以及排序后高度数组进行N等分，得到N个宽度子数组和N个高度子数组，以使得可以根据每个宽度子数组、以及每个高度子数组的中值，确定N个初始聚类中心。
仍以上述图2为例，如图2所示，在步骤S204中，分别对宽度数组W和高度数组H进行降序排列，得到排序后宽度数组W'和排序后高度数组H'。
在一示例中，除了可以如图2所示对宽度数组W和高度数组H进行降序排列以外，还可以对其进行升序排列，本公开对此不作具体限定。
在一种可能的实现方式中，分别对排序后宽度数组、以及排序后高度数组进行N等分，得到N个宽度子数组和N个高度子数组，包括：在排序后宽度数组中多个宽度的数量、以及排序后高度数组中多个高度的数量不是N的倍数的情况下，确定排序后宽度数组中多个宽度的数量、以及排序后高度数组中多个高度的数量除以N的余数p，其中，p为正整数；在排序后宽度数组中删除p个宽度、以及在排序后高度数组中删除p个高度后进行N等分，得到N个宽度子数组和N个高度子数组。
排序后宽度数组W'和排序后高度数组H'中均包括M个元素，即len（W'）=len（H'）=M，因此，如图2所示，在步骤S205中，判断M是否为N的倍数，即len（W'）%N或者len（H'）%N是否等于0。若是，则跳转执行步骤S206；若否，则跳转执行步骤S207。
在len（W'）%N或者len（H'）%N等于0的情况下，表示M是N的倍数，此时，如图2所示，在步骤S206中，对排序后宽度数组W'、以及排序后高度数组H'进行N等分，得到N个宽度子数组：W1、W2、……、WN，以及N个高度子数组：H1、H2、……、HN。
在len（W'）%N或者len（H'）%N不等于0的情况下，表示M不是N的倍数，此时，如图2所示，在步骤S207中，删除排序后宽度数组W'、以及排序后高度数组H'中的多余元素，以使得可以跳转执行步骤S206进行N等分，得到N个宽度子数组：W1、W2、……、WN，以及N个高度子数组：H1、H2、……、HN。删除的多余元素的数量，是排序后宽度数组中多个宽度的数量、以及排序后高度数组中多个高度的数量除以N的余数p，也即在排序后宽度数组中删除p个宽度、以及在排序后高度数组中删除p个高度。
任一宽度子数组Wi中包括n个宽度，即len（Wi）=n；任一高度子数组Hi中包括n个高度，即len（Hi）=n。
在一种可能的实现方式中，在n为奇数的情况下，基于N个宽度子数组、以及N个高度子数组，利用中值算法，确定N个初始聚类中心，包括：针对第i个宽度子数组，将第i个宽度子数组中的第
Figure 563383DEST_PATH_IMAGE007
个宽度确定为第i个初始聚类中心的宽度，以及将第i个高度子数组中的第
Figure 931917DEST_PATH_IMAGE007
个高度确定为第i个初始聚类中心的高度。
针对任意第i个宽度子数组和第i个高度子数组，若数组中包括的元素数目n为奇数的情况下，可以直接根据数组的中间值，确定第n个初始聚类中心
Figure 59273DEST_PATH_IMAGE008
，其中，
Figure 647511DEST_PATH_IMAGE009
指示第i个宽度子数组中的第
Figure 885725DEST_PATH_IMAGE010
个宽度，
Figure 108765DEST_PATH_IMAGE011
指示第i个高度子数组中的第
Figure 266077DEST_PATH_IMAGE010
个高度。
仍以上述图2为例，如图2所示，在步骤S208中，针对第i个宽度子数组和第i个高度子数组，在i小于N的情况下，判断len（Wi）%2或者len（Hi）%2是否等于0。若否，则跳转执行步骤S209；若是，则跳转执行步骤S210。在步骤S209中，在len（Wi）%2或者len（Hi）%2不等于0的情况下，表示n为奇数，此时，直接根据第i个宽度子数组和第i个高度子数组的中间值，确定第i个初始聚类中心
Figure 325300DEST_PATH_IMAGE012
。
在一种可能的实现方式中，在n为偶数的情况下，基于N个宽度子数组、以及N个高度子数组，利用中值算法，确定N个初始聚类中心，包括：针对第i个宽度子数组，将第i个宽度子数组中的第
Figure 117938DEST_PATH_IMAGE013
个和第
Figure 680637DEST_PATH_IMAGE003
个宽度的均值确定为第i个初始聚类中心的宽度，以及将第i个宽度子数组中的第
Figure 274430DEST_PATH_IMAGE013
个和第
Figure 804637DEST_PATH_IMAGE003
个高度确定为第i个初始聚类中心的高度。
针对任意第i个宽度子数组和第i个高度子数组，若数组中包括的元素数目n为偶数的情况下，可以根据数组中间两值的均值，确定第i个初始聚类中心
Figure 650233DEST_PATH_IMAGE014
，其中，
Figure 83751DEST_PATH_IMAGE015
、
Figure 582865DEST_PATH_IMAGE016
指示第i个宽度子数组中的第
Figure 351101DEST_PATH_IMAGE013
个和第
Figure 249656DEST_PATH_IMAGE017
个宽度，
Figure 786948DEST_PATH_IMAGE018
、
Figure 722543DEST_PATH_IMAGE019
指示第i个高度子数组中的第
Figure 728807DEST_PATH_IMAGE013
个和第
Figure 916206DEST_PATH_IMAGE003
个高度。
仍以上述图2为例，如图2所示，在步骤S210中，在len（Wi）%2或者len（Hi）%2等于0的情况下，表示n为偶数，此时，根据第i个宽度子数组和第i个高度子数组的中间两值的均值，确定第i个初始聚类中心
Figure 354009DEST_PATH_IMAGE020
。
以此类推，直至步骤S211，确定N个初始聚类中心：(W1C,H1C)、(W2C,H2C)、……、(WNC,HNC)。基于上述方法确定得到的N个初始聚类中心，更加符合多个样本标注框的尺寸分布，可以更好地用于后续确定目标YOLOV3锚框。
基于N个初始聚类中心，利用Kmeans聚类算法，对多个样本标注框进行聚类，得到N个目标聚类中心，以使得可以基于N个目标聚类中心，确定N个目标YOLOV3锚框。Kmeans聚类的具体过程可以参考相关技术中的Kmeans聚类算法，本公开对此不作具体限定。
在确定与训练样本图像集匹配的N个目标YOLOV3锚框之后，以N个目标YOLOV3锚框作为先验，利用训练样本图像集对初始YOLOV3网络进行网络训练，有效得到目标YOLOV3网络。网络训练过程可以参考相关技术中的YOLOV3网络训练过程，本公开对此不作具体限定。
在一示例中，在训练样本图像集为对样本PCB板进行图像采集构建的情况下，基于训练样本图像集训练得到的目标YOLOV3网络，可以有效用于对待检测PCB板对应的待检测图像进行PCB表面缺陷检测。
利用中值Kmeans聚类算法，对训练样本图像集中的多个样本标注框进行聚类，从而有效确定训练样本图像集对应的，质量较高且较稳定的目标YOLOV3锚框，进而，基于训练样本图像集和目标YOLOV3锚框，对初始YOLOV3网络进行训练，由于作为先验的目标YOLOV3锚框与训练样本图像集相匹配，以使得初始YOLOV3网络在训练过程中可以快速收敛得到目标YOLOV3网络，从而有效提高网络训练效率。
在一示例中，利用公开数据集DeepPCB来进行实验，可以验证利用本公开提供的上述中值Kmeans聚类算法确定目标YOLOV3锚框，以及利用目标YOLOV3锚框来训练YOLOV3网络时，训练时间缩短了8%，有效提高了网络训练效率。
在一种可能的实现方式中，初始YOLOV3网络中包括特征加强层，特征加强层中包括SENet模块。
在YOLOV3网络用于PCB表面缺陷检测时，为了提升PCB表面缺陷检测的精度，可以在初始YOLOV3网络的特征加强层（特征金字塔FPN层）中增加SENet模块，以引入了注意力机制，使得网络在训练的过程中可以专注于感兴趣的特征通道，从而有效提升网络的缺陷检测精度。
在一示例中，利用公开数据集DeepPCB来进行实验，可以验证利用本公开提供的在YOLOV3网络的FPN层中增加了SENet模块，可以使得目标YOLOV3网络在缺陷检测精度上提升1%，从而有效提升网络的缺陷检测精度。
本公开实施例还提供了一种PCB表面缺陷检测方法，包括：对待检测PCB进行图像采集，得到待检测图像；利用目标YOLOV3网络，对待检测图像进行表面缺陷检测，确定待检测PCB表面缺陷的位置和类别，其中，目标YOLOV3网络采用上述YOLOV3网络方法训练得到。
具体训练过程参考上述相关内容，此处不作赘述。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了YOLOV3网络训练、PCB表面缺陷检测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种YOLOV3网络训练、PCB表面缺陷检测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图3示出根据本公开实施例的一种YOLOV3网络训练装置的框图。如图3所示，装置30包括：
聚类模块31，用于利用中值Kmeans聚类算法，对训练样本图像集中的多个样本标注框进行聚类，确定训练样本图像集对应的目标YOLOV3锚框；
训练模块32，用于基于训练样本图像集和目标YOLOV3锚框，对初始YOLOV3网络进行训练，得到目标YOLOV3网络，其中，目标YOLOV3网络用于对待检测图像进行目标检测。
在一种可能的实现方式中，聚类模块31，包括：
第一确定子模块，用于基于多个样本标注框，确定宽度数组和高度数组；
第二确定子模块，用于基于宽度数组和高度数组，利用中值算法，确定N个初始聚类中心，其中，一个聚类中心中包括一个宽度和一个高度，N为正整数；
聚类子模块，用于基于N个初始聚类中心，利用Kmeans聚类算法，对多个样本标注框进行聚类，得到N个目标聚类中心；
第三确定子模块，用于基于N个目标聚类中心，确定N个目标YOLOV3锚框。
在一种可能的实现方式中，第二确定子模块，包括：
排序单元，用于分别对宽度数组中的多个宽度、以及高度数组中的多个高度进行顺序排列，得到排序后宽度数组和排序后高度数组；
分组单元，用于分别对排序后宽度数组、以及排序后高度数组进行N等分，得到N个宽度子数组和N个高度子数组，其中，任一宽度子数组中包括n个宽度，任一高度子数组中包括n个高度，n为正整数；
确定单元，用于基于N个宽度子数组、以及N个高度子数组，利用中值算法，确定N个初始聚类中心。
在一种可能的实现方式中，分组单元，具体用于：
在排序后宽度数组中多个宽度的数量、以及排序后高度数组中多个高度的数量不是N的倍数的情况下，确定排序后宽度数组中多个宽度的数量、以及排序后高度数组中多个高度的数量除以N的余数p，其中，p为正整数；
在排序后宽度数组中删除p个宽度、以及在排序后高度数组中删除p个高度后进行N等分，得到N个宽度子数组和N个高度子数组。
在一种可能的实现方式中，确定单元，具体用于：
在n为奇数的情况下，针对第i个宽度子数组，将第i个宽度子数组中的第
Figure 335872DEST_PATH_IMAGE007
个宽度确定为第i个初始聚类中心的宽度，以及将第i个高度子数组中的第
Figure 563853DEST_PATH_IMAGE007
个高度确定为第i个初始聚类中心的高度。
在一种可能的实现方式中，确定单元，还具体用于：
在n为偶数的情况下，针对第i个宽度子数组，将第i个宽度子数组中的第
Figure 413997DEST_PATH_IMAGE013
个和第
Figure 925881DEST_PATH_IMAGE017
个宽度的均值确定为第i个初始聚类中心的宽度，以及将第i个宽度子数组中的第
Figure 62333DEST_PATH_IMAGE013
个和第
Figure 885933DEST_PATH_IMAGE003
个高度确定为第i个初始聚类中心的高度。
在一种可能的实现方式中，初始YOLOV3网络中包括特征加强层，特征加强层中包括SENet模块。
本公开实施例还提供了一种PCB表面缺陷检测方法，包括：图像采集模块，用于对待检测PCB进行图像采集，得到待检测图像；缺陷检测模块，用于利用目标YOLOV3网络，对待检测图像进行表面缺陷检测，确定待检测PCB表面缺陷的位置和类别，其中，目标YOLOV3网络采用上述YOLOV3网络训练方法训练得到。
该方法与计算机系统的内部结构存在特定技术关联，且能够解决如何提升硬件运算效率或执行效果的技术问题（包括减少数据存储量、减少数据传输量、提高硬件处理速度等），从而获得符合自然规律的计算机系统内部性能改进的技术效果。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备的框图。参照图4，电子设备800可以是用户设备（User Equipment，UE）、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理（Personal Digital Assistant，PDA）、手持设备、计算设备、车载设备、可穿戴设备等终端设备。
参照图4，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器（LCD）和触摸面板（TP）。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风（MIC），当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
输入/输出接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体（CMOS）或电荷耦合装置（CCD）图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络（Wi-Fi）、第二代移动通信技术（2G）、第三代移动通信技术（3G）、第四代移动通信技术（4G）、通用移动通信技术的长期演进（LTE）、第五代移动通信技术（5G）或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信（NFC）模块，以促进短程通信。例如，在NFC模块可基于射频识别（RFID）技术，红外数据协会（IrDA）技术，超宽带（UWB）技术，蓝牙（BT）技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5示出根据本公开实施例的一种电子设备的框图。参照图5，电子设备1900可以被提供为一服务器或终端设备。参照图5，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统（Windows ServerTM），苹果公司推出的基于图形用户界面操作系统(Mac OS XTM)，多用户多进程的计算机操作系统（UnixTM）, 自由和开放原代码的类Unix操作系统（LinuxTM），开放原代码的类Unix操作系统（FreeBSDTM）或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是（但不限于）电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
若本申请技术方案涉及个人信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种YOLOV3网络训练方法，其特征在于，包括：
利用中值Kmeans聚类算法，对训练样本图像集中的多个样本标注框进行聚类，确定所述训练样本图像集对应的目标YOLOV3锚框；
基于所述训练样本图像集和所述目标YOLOV3锚框，对初始YOLOV3网络进行训练，得到目标YOLOV3网络，其中，所述目标YOLOV3网络用于对待检测图像进行目标检测；
所述利用中值Kmeans聚类算法，对训练样本图像集中的多个样本标注框进行聚类，确定所述训练样本图像集对应的目标YOLOV3锚框，包括：基于所述多个样本标注框，确定宽度数组和高度数组；基于所述宽度数组和所述高度数组，利用中值算法，确定N个初始聚类中心，其中，一个聚类中心中包括一个宽度和一个高度，N为正整数；基于所述N个初始聚类中心，利用Kmeans聚类算法，对所述多个样本标注框进行聚类，得到N个目标聚类中心；基于所述N个目标聚类中心，确定N个目标YOLOV3锚框；
所述基于所述宽度数组和所述高度数组，利用中值算法，确定N个初始聚类中心，包括：分别对所述宽度数组中的多个宽度、以及所述高度数组中的多个高度进行顺序排列，得到排序后宽度数组和排序后高度数组；分别对所述排序后宽度数组、以及所述排序后高度数组进行N等分，得到N个宽度子数组和N个高度子数组，其中，任一所述宽度子数组中包括n个宽度，任一所述高度子数组中包括n个高度，n为正整数；基于所述N个宽度子数组、以及所述N个高度子数组，利用中值算法，确定所述N个初始聚类中心；
在n为奇数的情况下，所述基于所述N个宽度子数组、以及所述N个高度子数组，利用中值算法，确定所述N个初始聚类中心，包括：针对第i个宽度子数组，将所述第i个宽度子数组中的第
Figure 901143DEST_PATH_IMAGE001
个宽度确定为第i个初始聚类中心的宽度，以及将所述第i个高度子数组中的第
Figure 903866DEST_PATH_IMAGE001
个高度确定为第i个初始聚类中心的高度；
在n为偶数的情况下，所述基于所述N个宽度子数组、以及所述N个高度子数组，利用中值算法，确定所述N个初始聚类中心，包括：针对第i个宽度子数组，将所述第i个宽度子数组中的第
Figure 272530DEST_PATH_IMAGE002
个和第
Figure 697695DEST_PATH_IMAGE003
个宽度的均值确定为第i个初始聚类中心的宽度，以及将所述第i个宽度子数组中的第
Figure 779790DEST_PATH_IMAGE002
个和第
Figure 140364DEST_PATH_IMAGE003
个高度确定为第i个初始聚类中心的高度。
2.根据权利要求1所述的方法，其特征在于，所述分别对所述排序后宽度数组、以及所述排序后高度数组进行N等分，得到N个宽度子数组和N个高度子数组，包括：
在所述排序后宽度数组中多个宽度的数量、以及所述排序后高度数组中多个高度的数量不是N的倍数的情况下，确定所述排序后宽度数组中多个宽度的数量、以及所述排序后高度数组中多个高度的数量除以N的余数p，其中，p为正整数；
在所述排序后宽度数组中删除p个宽度、以及在所述排序后高度数组中删除p个高度后进行N等分，得到所述N个宽度子数组和所述N个高度子数组。
3.根据权利要求1或2所述的方法，其特征在于，所述初始YOLOV3网络中包括特征加强层，所述特征加强层中包括SENet模块。
4.一种PCB表面缺陷检测方法，其特征在于，包括：
对待检测PCB进行图像采集，得到待检测图像；
利用目标YOLOV3网络，对所述待检测图像进行表面缺陷检测，确定所述待检测PCB表面缺陷的位置和类别，其中，所述目标YOLOV3网络采用权利要求1至3中任意一项所述的方法训练得到。
5.一种YOLOV3网络训练装置，其特征在于，包括：
聚类模块，用于利用中值Kmeans聚类算法，对训练样本图像集中的多个样本标注框进行聚类，确定所述训练样本图像集对应的目标YOLOV3锚框；
训练模块，用于基于所述训练样本图像集和所述目标YOLOV3锚框，对初始YOLOV3网络进行训练，得到目标YOLOV3网络，其中，所述目标YOLOV3网络用于对待检测图像进行目标检测；
所述聚类模块，包括：第一确定子模块，用于基于所述多个样本标注框，确定宽度数组和高度数组；第二确定子模块，用于基于所述宽度数组和所述高度数组，利用中值算法，确定N个初始聚类中心，其中，一个聚类中心中包括一个宽度和一个高度，N为正整数；聚类子模块，用于基于所述N个初始聚类中心，利用Kmeans聚类算法，对所述多个样本标注框进行聚类，得到N个目标聚类中心；第三确定子模块，用于基于所述N个目标聚类中心，确定N个目标YOLOV3锚框；
所述第二确定子模块，包括：排序单元，用于分别对所述宽度数组中的多个宽度、以及所述高度数组中的多个高度进行顺序排列，得到排序后宽度数组和排序后高度数组；分组单元，用于分别对所述排序后宽度数组、以及所述排序后高度数组进行N等分，得到N个宽度子数组和N个高度子数组，其中，任一所述宽度子数组中包括n个宽度，任一所述高度子数组中包括n个高度，n为正整数；确定单元，用于基于所述N个宽度子数组、以及所述N个高度子数组，利用中值算法，确定所述N个初始聚类中心；
所述确定单元，具体用于：在n为奇数的情况下，针对第i个宽度子数组，将所述第i个宽度子数组中的第
Figure 120958DEST_PATH_IMAGE001
个宽度确定为第i个初始聚类中心的宽度，以及将所述第i个高度子数组中的第
Figure 772650DEST_PATH_IMAGE001
个高度确定为第i个初始聚类中心的高度；
所述确定单元，还具体用于：在n为偶数的情况下，针对第i个宽度子数组，将所述第i个宽度子数组中的第
Figure 663246DEST_PATH_IMAGE002
个和第
Figure 257038DEST_PATH_IMAGE003
个宽度的均值确定为第i个初始聚类中心的宽度，以及将所述第i个宽度子数组中的第
Figure 974196DEST_PATH_IMAGE002
个和第
Figure 616530DEST_PATH_IMAGE004
个高度确定为第i个初始聚类中心的高度。
6.一种PCB表面缺陷检测装置，其特征在于，包括：
图像采集模块，用于对待检测PCB进行图像采集，得到待检测图像；
缺陷检测模块，用于利用目标YOLOV3网络，对所述待检测图像进行表面缺陷检测，确定所述待检测PCB表面缺陷的位置和类别，其中，所述目标YOLOV3网络采用权利要求1至3中任意一项所述的方法训练得到。
7.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至4中任意一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
CN202211029070.0A 2022-08-26 2022-08-26 Yolov3网络训练、pcb表面缺陷检测方法及装置 Active CN115100492B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211029070.0A CN115100492B (zh) 2022-08-26 2022-08-26 Yolov3网络训练、pcb表面缺陷检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211029070.0A CN115100492B (zh) 2022-08-26 2022-08-26 Yolov3网络训练、pcb表面缺陷检测方法及装置

Publications (2)

Publication Number Publication Date
CN115100492A CN115100492A (zh) 2022-09-23
CN115100492B true CN115100492B (zh) 2023-04-07

Family

ID=83300104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211029070.0A Active CN115100492B (zh) 2022-08-26 2022-08-26 Yolov3网络训练、pcb表面缺陷检测方法及装置

Country Status (1)

Country Link
CN (1) CN115100492B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758380B (zh) * 2023-08-15 2023-11-10 摩尔线程智能科技(北京)有限责任公司 用于姿态估计的网络训练方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109522963A (zh) * 2018-11-26 2019-03-26 北京电子工程总体研究所 一种单机运行的特征建筑目标检测方法和系统
CN111723860A (zh) * 2020-06-17 2020-09-29 苏宁云计算有限公司 一种目标检测方法及装置
CN112926685A (zh) * 2021-03-30 2021-06-08 济南大学 一种工业中钢材氧化带目标检测方法、系统及设备
CN113222064A (zh) * 2021-05-31 2021-08-06 苏州晗林信息技术发展有限公司 一种图像目标对象实时检测方法、系统、终端及存储介质
CN114049557A (zh) * 2021-11-10 2022-02-15 中国天楹股份有限公司 一种基于深度学习的垃圾分选机器人视觉识别方法
KR20220074290A (ko) * 2020-11-27 2022-06-03 오픈스택 주식회사 Yolo 알고리즘을 사용하는 장치의 성능 향상 방법
CN114694130A (zh) * 2022-03-02 2022-07-01 北京建筑大学 基于深度学习的铁路沿线电线杆及杆号检测方法和装置
CN114898327A (zh) * 2022-03-15 2022-08-12 武汉理工大学 一种基于轻量化深度学习网络的车辆检测方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670532B (zh) * 2018-11-23 2022-12-09 腾讯医疗健康(深圳)有限公司 生物体器官组织图像的异常识别方法、装置及系统
CN109928107B (zh) * 2019-04-08 2022-11-29 江西理工大学 一种自动分类系统
CN110222769B (zh) * 2019-06-06 2022-09-16 大连理工大学 一种基于YOLOV3-tiny的改进目标检测方法
CN110796046B (zh) * 2019-10-17 2023-10-10 武汉科技大学 基于卷积神经网络的智能钢渣检测方法和系统
CN111062413B (zh) * 2019-11-08 2024-05-07 熊猫汽车(上海)有限公司 一种道路目标检测方法、装置、电子设备及存储介质
CN111062282B (zh) * 2019-12-05 2023-09-29 武汉科技大学 基于改进yolov3模型的变电站指针式仪表识别方法
CN111401371B (zh) * 2020-06-03 2020-09-08 中邮消费金融有限公司 一种文本检测识别方法、系统及计算机设备
CN112163541A (zh) * 2020-10-09 2021-01-01 上海云绅智能科技有限公司 一种3d目标检测方法、装置、电子设备和存储介质
CN112669275B (zh) * 2020-12-23 2024-09-10 中国电子技术标准化研究院 基于YOLOv3算法的PCB表面缺陷检测方法及装置
CN112966587B (zh) * 2021-03-02 2022-12-20 北京百度网讯科技有限公司 目标检测模型的训练方法、目标检测方法及相关设备
CN112949508B (zh) * 2021-03-08 2024-07-19 咪咕文化科技有限公司 模型训练方法、行人检测方法、电子设备及可读存储介质
CN113313213B (zh) * 2021-07-28 2021-11-19 中国航空油料集团有限公司 一种加速目标检测算法训练的数据集处理方法
CN114677602A (zh) * 2022-01-29 2022-06-28 中国人民解放军战略支援部队信息工程大学 一种基于YOLOv5的前视声呐图像目标检测方法和系统
CN114492540B (zh) * 2022-03-28 2022-07-05 成都数之联科技股份有限公司 目标检测模型的训练方法、装置、计算机设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109522963A (zh) * 2018-11-26 2019-03-26 北京电子工程总体研究所 一种单机运行的特征建筑目标检测方法和系统
CN111723860A (zh) * 2020-06-17 2020-09-29 苏宁云计算有限公司 一种目标检测方法及装置
KR20220074290A (ko) * 2020-11-27 2022-06-03 오픈스택 주식회사 Yolo 알고리즘을 사용하는 장치의 성능 향상 방법
CN112926685A (zh) * 2021-03-30 2021-06-08 济南大学 一种工业中钢材氧化带目标检测方法、系统及设备
CN113222064A (zh) * 2021-05-31 2021-08-06 苏州晗林信息技术发展有限公司 一种图像目标对象实时检测方法、系统、终端及存储介质
CN114049557A (zh) * 2021-11-10 2022-02-15 中国天楹股份有限公司 一种基于深度学习的垃圾分选机器人视觉识别方法
CN114694130A (zh) * 2022-03-02 2022-07-01 北京建筑大学 基于深度学习的铁路沿线电线杆及杆号检测方法和装置
CN114898327A (zh) * 2022-03-15 2022-08-12 武汉理工大学 一种基于轻量化深度学习网络的车辆检测方法

Also Published As

Publication number Publication date
CN115100492A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
US20210209392A1 (en) Image Processing Method and Device, and Storage Medium
CN110287874B (zh) 目标追踪方法及装置、电子设备和存储介质
CN110889469B (zh) 图像处理方法及装置、电子设备和存储介质
CN111753822A (zh) 文本识别方法及装置、电子设备和存储介质
US20220392202A1 (en) Imaging processing method and apparatus, electronic device, and storage medium
CN114078118A (zh) 缺陷检测方法及装置、电子设备和存储介质
CN110781813B (zh) 图像识别方法及装置、电子设备和存储介质
CN109145970B (zh) 基于图像的问答处理方法和装置、电子设备及存储介质
CN109615006B (zh) 文字识别方法及装置、电子设备和存储介质
CN109858614B (zh) 神经网络训练方法及装置、电子设备和存储介质
EP3958110A1 (en) Speech control method and apparatus, terminal device, and storage medium
CN113065591B (zh) 目标检测方法及装置、电子设备和存储介质
CN111190520A (zh) 菜单项选择方法、装置、可读介质及电子设备
CN112598676B (zh) 图像分割方法及装置、电子设备和存储介质
CN110543849B (zh) 检测器的配置方法及装置、电子设备和存储介质
CN113326768A (zh) 训练方法、图像特征提取方法、图像识别方法及装置
CN113315924A (zh) 图像特效处理方法及装置
CN112085097A (zh) 图像处理方法及装置、电子设备和存储介质
CN114332503A (zh) 对象重识别方法及装置、电子设备和存储介质
CN111523599B (zh) 目标检测方法及装置、电子设备和存储介质
CN114066856A (zh) 模型训练方法及装置、电子设备和存储介质
CN115100492B (zh) Yolov3网络训练、pcb表面缺陷检测方法及装置
CN113656627B (zh) 肤色分割方法、装置、电子设备及存储介质
CN113888543B (zh) 肤色分割方法、装置、电子设备及存储介质
CN114417782A (zh) 展示方法、装置和电子设备

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