CN117197248B - 一种电解电容方向判定方法、装置、设备及存储介质 - Google Patents
一种电解电容方向判定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117197248B CN117197248B CN202311477013.3A CN202311477013A CN117197248B CN 117197248 B CN117197248 B CN 117197248B CN 202311477013 A CN202311477013 A CN 202311477013A CN 117197248 B CN117197248 B CN 117197248B
- Authority
- CN
- China
- Prior art keywords
- electrolytic capacitor
- point
- detection model
- target
- target detection
- 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
Links
- 239000003990 capacitor Substances 0.000 title claims abstract description 209
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 85
- 238000012549 training Methods 0.000 claims description 31
- 238000013135 deep learning Methods 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000002184 metal Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 239000004020 conductor Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 239000011888 foil Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供一种电解电容方向判定方法、装置、设备及存储介质,涉及电解电容技术领域,用于解决电解电容极性方向判定的准确性较低的问题。该方法包括:获取目标电解电容的采集图像;将所述采集图像输入训练好的目标检测模型中,确定所述采集图像中的目标电解电容的定位点与标识点;根据所述定位点的坐标与所述标识点的坐标,确定所述定位点与所述标识点之间与水平坐标轴形成的角度;根据所述角度,判定所述目标电解电容的极性方向。因此,由于可以直接采用“训练好的目标检测模型”和“定位点与标识点之间与水平坐标轴形成的角度”,来确定采集图像中的目标电解电容的极性方向,所以,本申请可以大大提高电解电容极性方向判定的准确性。
Description
技术领域
本申请涉及电解电容技术领域,提供一种电解电容方向判定方法、装置、设备及存储介质。
背景技术
电解电容是电容的一种,正极为金属箔,与正极紧贴金属的氧化膜是电介质,阴极由导电材料、电解质和其他材料共同组成。由于电解电容是一种有极性的电容,因此,电解电容的正负极不可接反。如果一不小心接反了极性,轻则会烧毁电解电容,重则会引发火灾等危险,后果非常严重。然而,现有的电解电容极性检测方法,通常存在定位偏移较大、对噪声较为敏感、极性判定准确性较差以及速度较慢等问题。
因此,如何提高电解电容极性方向判定的准确性是目前亟待解决的问题。
发明内容
本申请实施例提供一种电解电容方向判定方法、装置、设备及存储介质,用于解决电解电容极性方向判定的准确性较低的问题。
一方面,提供一种电解电容方向判定方法,所述方法包括:
获取目标电解电容的采集图像;
将所述采集图像输入训练好的目标检测模型中,确定所述采集图像中的目标电解电容的定位点与标识点;
根据所述定位点的坐标与所述标识点的坐标,确定所述定位点与所述标识点之间与水平坐标轴形成的角度;
根据所述角度,判定所述目标电解电容的极性方向。
本申请的有益效果为:由于预先训练好了用于判定电解电容极性方向的目标检测模型,因此,在判定电解电容极性方向时,可以直接采用训练好的目标检测模型,来确定采集图像中的目标电解电容的极性方向,从而,大大提高了电解电容极性方向判定的准确性。此外,由于是通过定位点与标识点之间与水平坐标轴形成的角度,来判定目标电解电容的极性方向,因此,可以进一步提高电解电容极性方向判定的准确性。
在一种实现方式中,在将所述采集图像输入训练好的目标检测模型中,确定所述采集图像中的目标电解电容的定位点与标识点之前,所述方法还包括:
获取多张电解电容图像;
对所述多张电解电容图像中的电解电容的定位点与标识点进行打标,获得多张打标后的电解电容图像;
根据所述多张打标后的电解电容图像,对基础目标检测模型进行训练,获得训练好的目标检测模型。
本申请的有益效果为:由于训练好的目标检测模型是根据多张打标后的电解电容图像进行训练获得的,因此,可以进一步提高电解电容极性方向判定的准确性。
在一种实现方式中,在对所述多张电解电容图像中的电解电容的定位点与标识点进行打标,获得多张打标后的电解电容图像之后,所述方法还包括:
对所述多张打标后的电解电容图像进行多模态数据增强,获得多张增强后的电解电容图像;
则,所述根据所述多张打标后的电解电容图像,对基础目标检测模型进行训练,获得训练好的目标检测模型,包括:
根据所述多张增强后的电解电容图像,对基础目标检测模型进行训练,获得训练好的目标检测模型。
本申请的有益效果为:由于对多张打标后的电解电容图像进行了多模态数据增强,因此,基于该增强后的电解电容图像而训练获得的目标检测模型,可以大大避免定位偏移现象出现,以及降低因图像噪声而带来的检测误差,进而,提高电解电容极性方向判定的准确性。
在一种实现方式中,所述将所述采集图像输入训练好的目标检测模型中,确定所述采集图像中的目标电解电容的定位点与标识点的步骤,包括:
采用推理优化器对所述训练好的目标检测模型进行推理,获取推理后的目标检测模型;
将所述采集图像输入推理后的目标检测模型中,确定所述采集图像中的定位点与标识点。
本申请的有益效果为:由于采用了推理优化器对训练好的目标检测模型进行推理,因此,可以大大提高电解电容极性方向判定的效率。
在一种实现方式中,所述将所述采集图像输入推理后的目标检测模型中,确定所述采集图像中的定位点与标识点的步骤,包括:
将所述采集图像输入推理后的目标检测模型中,输出所述采集图像中的定位点框与标识点框;
将所述定位点框的中心点与所述标识点框的中心点,确定为所述采集图像中的定位点与标识点。
本申请的有益效果为:由于是将定位点框的中心点与标识点框的中心点,确定为采集图像中的定位点与标识点,因此,可以避免定位点与标识点的定位偏移现象出现。
在一种实现方式中,所述推理优化器为TensorRT深度学习推理优化器。
本申请的有益效果为:由于推理优化器为TensorRT深度学习推理优化器,因此,可以进一步提高电解电容极性方向判定的效率。
在一种实现方式中,所述根据所述角度,判定所述目标电解电容的极性方向的步骤,包括:
若所述角度属于第一预设角度范围,则判定所述目标电解电容的极性方向正确。
本申请的有益效果为:由于预先设置了与正确极性方向对应的“第一预设角度范围”,因此,在判定目标电解电容的极性方向时,可直接通过匹配查询的方式,来快速判定目标电解电容的极性方向是否正确。
在一种实现方式中,所述根据所述角度,判定所述目标电解电容的极性方向的步骤,包括:
若所述角度属于第二预设角度范围,则判定所述目标电解电容的极性方向错误。
本申请的有益效果为:由于预先设置了与错误极性方向对应的“第二预设角度范围”,因此,在判定目标电解电容的极性方向时,可直接通过匹配查询的方式,来快速判定目标电解电容的极性方向是否错误。
在一种实现方式中,其特征在于,所述目标检测模型是基于YOLOV5模型训练获得。
本申请的有益效果为:由于目标检测模型是基于YOLOV5模型训练获得,因此,可以进一步提高电解电容极性方向判定的效率。
一方面,提供一种电解电容方向判定装置,所述装置包括:
获取单元,用于获取目标电解电容的采集图像;
第一确定单元,用于将所述采集图像输入训练好的目标检测模型中,确定所述采集图像中的目标电解电容的定位点与标识点;
第二确定单元,用于根据所述定位点的坐标与所述标识点的坐标,确定所述定位点与所述标识点之间与水平坐标轴形成的角度;
判定单元,用于根据所述角度,判定所述目标电解电容的极性方向。
一方面,提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一种方法。
一方面,提供一种计算机存储介质,其上存储有计算机程序指令,该计算机程序指令被处理器执行时实现上述任一种方法。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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申请实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种应用场景示意图;
图2为本申请实施例提供的电解电容方向判定方法的一种流程示意图;
图3为本申请实施例提供的电解电容的一种示意图;
图4为本申请实施例提供的训练目标检测模型的一种流程示意图;
图5为本申请实施例提供的电解电容方向判定装置的一种示意图。
图中标记:10-电解电容方向判定设备,101-处理器,102-存储器,103-I/O接口,104-数据库,50-电解电容方向判定装置,501-获取单元,502-第一确定单元,503-第二确定单元,504-判定单元,505-模型训练单元。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
电解电容是电容的一种,正极为金属箔,与正极紧贴金属的氧化膜是电介质,阴极由导电材料、电解质和其他材料共同组成。由于电解电容是一种有极性的电容,因此,电解电容的正负极不可接反。如果一不小心接反了极性,轻则会烧毁电解电容,重则会引发火灾等危险,后果非常严重。然而,现有的电解电容极性检测方法,通常存在定位偏移较大、对噪声较为敏感、极性判定准确性较差以及速度较慢等问题。
基于此,本申请实施例提供一种电解电容方向判定方法,在该方法中,首先,可以获取目标电解电容的采集图像;然后,可以将采集图像输入训练好的目标检测模型中,来确定采集图像中的目标电解电容的定位点与标识点;接下来,可以根据定位点的坐标与标识点的坐标,来确定定位点与标识点之间与水平坐标轴形成的角度;最后,便可以根据角度,来判定目标电解电容的极性方向。因此,在本申请实施例中,由于预先训练好了用于判定电解电容极性方向的目标检测模型,因此,在判定电解电容极性方向时,可以直接采用训练好的目标检测模型,来确定采集图像中的目标电解电容的极性方向,从而,大大提高了电解电容极性方向判定的准确性。此外,由于是通过定位点与标识点之间与水平坐标轴形成的角度,来判定目标电解电容的极性方向,因此,可以进一步提高电解电容极性方向判定的准确性。
在介绍完本申请实施例的设计思想之后,下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍,需要说明的是,以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施过程中,可以根据实际需要灵活地应用本申请实施例提供的技术方案。
如图1所示,为本申请实施例提供的一种应用场景示意图。该应用场景中可以包括电解电容方向判定设备10。
其中,电解电容方向判定设备10可以用于对电解电容的极性方向进行判定,例如,可以为个人计算机(Personal Computer,PC)、服务器与手提电脑等。电解电容方向判定设备10可包括一个或者多个处理器101、存储器102、I/O接口103以及数据库104。具体的,处理器101可以为中央处理单元(central processing unit,CPU),或者为数字处理单元等等。存储器102可以是易失性存储器(volatile memory),例如随机存取存储器(random-accessmemory,RAM);存储器102也可以是非易失性存储器(non-volatile memory),例如只读存储器,快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-statedrive,SSD);或者存储器102是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器102可以是上述存储器的组合。存储器102中可以存储本申请实施例提供的电解电容方向判定方法的部分程序指令,这些程序指令被处理器101执行时能够用以实现本申请实施例提供的电解电容方向判定方法的步骤,以解决电解电容极性方向判定的准确性较低的问题。数据库104可以用于存储本申请实施例提供的方案中涉及到的目标电解电容的采集图像、目标电解电容定位点和标识点等数据。
在本申请实施例中,电解电容方向判定设备10可以通过I/O接口103获取目标电解电容的采集图像,然后,电解电容方向判定设备10的处理器101会按照存储器102中本申请实施例提供的电解电容方向判定方法的程序指令来判定目标电解电容的极性方向,从而,提高电解电容极性方向判定的准确性。此外,还可以将目标电解电容的采集图像、目标电解电容定位点和标识点等数据存储于数据库104中。
当然,本申请实施例提供的方法并不限用于图1所示的应用场景中,还可以用于其他可能的应用场景,本申请实施例并不进行限制。对于图1所示的应用场景的各个设备所能实现的功能将在后续的方法实施例中一并进行描述,在此先不过多赘述。下面,将结合附图对本申请实施例的方法进行介绍。
如图2所示,为本申请实施例提供的电解电容方向判定方法的一种流程示意图,该方法可以通过图1中的电解电容方向判定设备10来执行,具体的,该方法的流程介绍如下。
步骤201:获取目标电解电容的采集图像。
在需要对目标电解电容的极性方向极性判定时,即,需要判定该目标电解电容是否插反时,为了加快判定速度与提高判定准确性,在本申请实施例中,可以采用已经训练好的目标检测模型来直接对目标电解电容进行检测。因此,在进行判定之前,可以先获取目标电解电容的采集图像。其中,默认是在目标电解电容所在的电路正向放置时,对目标电解电容进行图像采集。
步骤202:将采集图像输入训练好的目标检测模型中,确定采集图像中的目标电解电容的定位点与标识点。
如图3所示,为本申请实施例提供的电解电容的一种示意图,通常情况下,电解电容顶端会被划分为2块,其中1块为涂黑的黑块,另一块为标有电解电容相关数据的空白块,且,黑块下端对应的引脚为负极,另一空白块下端对应的引脚为正极。
因此,在本申请实施例中,在通过已经训练好的目标检测模型来确定目标电解电容的极性方向判定时,便可以直接根据采集图像中目标电解电容顶端的黑块与整个顶端的位置,来进一步判定目标电解电容的极性方向。具体的,如图3所示,可以将电解电容顶端的黑块对应的BOX框确定为标识点框,且,该标识点框的中心点为采集图像中的目标电解电容的标识点;同样的,可以将电解电容的整个顶端对应的BOX框确定为定位点框,且,该定位点框的中心点为采集图像中的目标电解电容的定位点。
进而,为了加快判定电解电容的极性方向速度与提高判定的准确性,在获取目标电解电容的采集图像之后,便可以直接将采集图像输入到训练好的目标检测模型中,以从训练好的目标检测模型输出结果中,确定出采集图像中的目标电解电容的定位点与标识点。其中,该结果包含有预测得到的定位点、标识点的分类与坐标。
步骤203:根据定位点的坐标与标识点的坐标,确定定位点与标识点之间与水平坐标轴形成的角度。
在本申请实施例中,在确定出采集图像中的目标电解电容的定位点与标识点之后,便可以直接根据定位点的坐标与标识点的坐标,以标识点做为起点,作经过定位点的有向线段,从而,根据该有向线段与水平坐标轴之间形成的夹角,来确定出定位点与标识点之间与水平坐标轴形成的角度。
步骤204:根据角度,判定目标电解电容的极性方向。
由于采集图像是在目标电解电容所在的电路正向放置时所采集的,因此,在本申请实施例中,便可以直接根据定位点与标识点之间与水平坐标轴形成的角度,来判定出目标电解电容的极性方向。
具体的,若定位点与标识点之间与水平坐标轴形成的角度属于第一预设角度范围,例如,角度∈(-90°,90°),则判定目标电解电容的极性方向正确。
若定位点与标识点之间与水平坐标轴形成的角度属于第二预设角度范围,例如,角度∈(90°,270°),则判定目标电解电容的极性方向错误,那么,就需要提醒工作人员及时对该目标电解电容进行处理,以避免出现危险事件发生。
在一种可能的实施方式中,在直接根据已经训练好的的目标检测模型来判定电解电容的极性方向之前,还可以对目标检测模型进行训练,如图4所示,为本申请实施例提供的训练目标检测模型的一种流程示意图,该训练流程可以通过图1中的电解电容方向判定设备10来执行,具体的,该训练流程介绍如下。
步骤401:获取多张电解电容图像。
在本申请实施例中,可以从电解电容的历史数据中,来获取用于进行模型训练的多张电解电容图像。其中,该历史数据中包含多张拍摄出的带有各种形态的电解电容图像。
步骤402:对多张电解电容图像中的电解电容的定位点与标识点进行打标,获得多张打标后的电解电容图像。
在本申请实施例中,可以采用可视化的图像标定工具Labelimg,来对这多张电解电容图像中的电解电容顶端的黑块与整个顶端进行打标,具体的,可将电解电容顶端的黑块对应的标识点框的中心点打标为标识点,将电解电容整个顶端对应的定位点框的中心点打标为定位点,从而,便可以获得多张打标后的电解电容图像。
步骤403:根据多张打标后的电解电容图像,对基础目标检测模型进行训练,获得训练好的目标检测模型。
在申请实施例中,可以按照7:2:1的比例来将这多张打标后的电解电容图像划分为训练集、验证集与测试集,然后,使用训练集来对基础目标检测模型进行训练,使用验证集来对模型进行评估与调整,以及使用测试集来验证模型效果,从而,获得训练好的目标检测模型。当然,在申请实施例中,还可以按照其它任意合理的比例(例如,6:2:2等)来对打标后的电解电容图像进行划分。
在一种可能的实施方式中,由于采集图像可能会存在图像模糊、曝光过度、曝光不足以及失真等各种问题,从而,导致电解电容的极性判定的准确率降低。因此,为了提高电解电容极性方向判定的准确性,在本申请实施例中,在获得多张打标后的电解电容图像之后,还可以对多张打标后的电解电容图像进行多模态数据增强,以获得多张增强后的电解电容图像,进而,便可以根据这多张增强后的电解电容图像,来对基础目标检测模型进行训练,以获得训练好的目标检测模型,从而,通过大大避免定位偏移现象出现,以及降低因图像噪声而带来的检测误差,来提高电解电容极性方向判定的准确性。在本申请实施例中,该多模态数据增强可以为对打标后的电解电容图像增加对比度、去掉模糊和噪声以及修正几何畸变等操作。
在一种可能的实施方式中,为了提高训练好的目标检测模型的判定效率,在本申请实施例中,可以采用推理优化器来对训练好的目标检测模型进行推理,以获取推理后的目标检测模型,具体可以通过组合层和优化内核选择来推理优化该训练好的目标检测模型的网络;然后,便可以通过将采集图像输入推理后的目标检测模型中,来直接确定采集图像中的定位点与标识点,以达到提高判定效率、改善延迟、吞吐量、电源效率和内存消耗的目的。
在一种可能的实施方式中,在推理优化目标检测模型时,除了将目标检测模型推理优化为直接输出采集图像中的定位点与标识点的目标检测模型,还可以将目标检测模型推理优化为直接输出采集图像中的定位点框与标识点框的目标检测模型。进而,在本申请实施例中,在确定采集图像中的定位点与标识点时,首先,可以将采集图像输入到推理后的目标检测模型中,来输出采集图像中的定位点框与标识点框;然后,可以通过“后处理”的方式来将定位点框的中心点与标识点框的中心点,确定为采集图像中的定位点与标识点。
在一种可能的实施方式中,推理优化器可以为TensorRT深度学习推理优化器。那么,在本申请实施例中,便可以支持TensorFlow、Caffe、Mxnet、Pytorch等几乎所有的深度学习框架,进而,在将TensorRT和NVIDIA的GPU结合起来时,便能在几乎所有的深度学习框架中进行低延迟、高吞吐率、快速、高效的部署推理。
在一种可能的实施方式中,目标检测模型可以是基于YOLOV5模型训练获得。进一步的,该YOLOV5模型还可以为YOLOV5s框架模型。
综上所述,在本申请实施例中,由于预先训练好了用于判定电解电容极性方向的目标检测模型,因此,在判定电解电容极性方向时,可以直接采用训练好的目标检测模型,来确定采集图像中的目标电解电容的极性方向,从而,大大提高了电解电容极性方向判定的准确性。此外,由于是通过定位点与标识点之间与水平坐标轴形成的角度,来判定目标电解电容的极性方向,因此,可以进一步提高电解电容极性方向判定的准确性。
基于同一发明构思,本申请实施例提供一种电解电容方向判定装置50,如图5所示,该电解电容方向判定装置50包括:
获取单元501,用于获取目标电解电容的采集图像;
第一确定单元502,用于将采集图像输入训练好的目标检测模型中,确定采集图像中的目标电解电容的定位点与标识点;
第二确定单元503,用于根据定位点的坐标与标识点的坐标,确定定位点与标识点之间与水平坐标轴形成的角度;
判定单元504,用于根据角度,判定目标电解电容的极性方向。
在一种实现方式中,电解电容方向判定装置50还包括模型训练单元505,模型训练单元505,用于:
获取多张电解电容图像;
对多张电解电容图像中的电解电容的定位点与标识点进行打标,获得多张打标后的电解电容图像;
根据多张打标后的电解电容图像,对基础目标检测模型进行训练,获得训练好的目标检测模型。
在一种实现方式中,模型训练单元505,还用于:
对多张打标后的电解电容图像进行多模态数据增强,获得多张增强后的电解电容图像;
则,根据多张打标后的电解电容图像,对基础目标检测模型进行训练,获得训练好的目标检测模型,包括:
根据多张增强后的电解电容图像,对基础目标检测模型进行训练,获得训练好的目标检测模型。
在一种实现方式中,第一确定单元502,还用于:
采用推理优化器对训练好的目标检测模型进行推理,获取推理后的目标检测模型;
将采集图像输入推理后的目标检测模型中,确定采集图像中的定位点与标识点。
在一种实现方式中,第一确定单元502,还用于:
将采集图像输入推理后的目标检测模型中,输出采集图像中的定位点框与标识点框;
将定位点框的中心点与标识点框的中心点,确定为采集图像中的定位点与标识点。
在一种实现方式中,判定单元504,还用于:
若角度属于第一预设角度范围,则判定目标电解电容的极性方向正确。
在一种实现方式中,判定单元504,还用于:
若角度属于第二预设角度范围,则判定目标电解电容的极性方向错误。
该电解电容方向判定装置50可以用于执行图2-图4所示的实施例中电解电容方向判定装置所执行的方法,因此,对于该电解电容方向判定装置50的各功能模块所能够实现的功能等可参考图2-图4所示的实施例的描述,不多赘述。
在一些可能的实施方式中,本申请提供的方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在计算机设备上运行时,所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的方法中的步骤,例如,所述计算机设备可以执行如图2-图4所示的实施例中电解电容方向判定装置所执行的方法。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种电解电容方向判定方法,其特征在于,所述方法包括:
获取目标电解电容的采集图像;其中,所述目标电解电容的顶端被一条直线划分为白色区域和黑色区域,且所述黑色区域下端对应的引脚为负极,所述白色区域下端对应的引脚为正极;
采用推理优化器对训练好的目标检测模型进行推理,获取推理后的目标检测模型;
将所述采集图像输入推理后的目标检测模型中,输出所述采集图像中的定位点框与标识点框;
将所述定位点框的中心点与所述标识点框的中心点,确定为所述采集图像中的定位点与标识点;其中,所述定位点位于白色区域中,所述标识点位于黑色区域中;
根据所述定位点的坐标与所述标识点的坐标,确定所述定位点与所述标识点之间与水平坐标轴形成的角度;
根据所述角度,判定所述目标电解电容的极性方向。
2.如权利要求1所述的方法,其特征在于,在将所述采集图像输入训练好的目标检测模型中,确定所述采集图像中的目标电解电容的定位点与标识点之前,所述方法还包括:
获取多张电解电容图像;
对所述多张电解电容图像中的电解电容的定位点与标识点进行打标,获得多张打标后的电解电容图像;
根据所述多张打标后的电解电容图像,对基础目标检测模型进行训练,获得训练好的目标检测模型。
3.如权利要求2所述的方法,其特征在于,在对所述多张电解电容图像中的电解电容的定位点与标识点进行打标,获得多张打标后的电解电容图像之后,所述方法还包括:
对所述多张打标后的电解电容图像进行多模态数据增强,获得多张增强后的电解电容图像;
则,所述根据所述多张打标后的电解电容图像,对基础目标检测模型进行训练,获得训练好的目标检测模型,包括:
根据所述多张增强后的电解电容图像,对基础目标检测模型进行训练,获得训练好的目标检测模型。
4.如权利要求1所述的方法,其特征在于,所述推理优化器为TensorRT深度学习推理优化器。
5.如权利要求1所述的方法,其特征在于,所述根据所述角度,判定所述目标电解电容的极性方向的步骤,包括:
若所述角度属于第一预设角度范围,则判定所述目标电解电容的极性方向正确。
6.如权利要求1所述的方法,其特征在于,所述根据所述角度,判定所述目标电解电容的极性方向的步骤,包括:
若所述角度属于第二预设角度范围,则判定所述目标电解电容的极性方向错误。
7.如权利要求1-6任一项所述的方法,其特征在于,所述目标检测模型是基于YOLOV5模型训练获得。
8.一种电解电容方向判定装置,其特征在于,所述装置包括:
获取单元,用于获取目标电解电容的采集图像;其中,所述目标电解电容的顶端被一条直线划分为白色区域和黑色区域,且所述黑色区域下端对应的引脚为负极,所述白色区域下端对应的引脚为正极;
第一确定单元,用于采用推理优化器对训练好的目标检测模型进行推理,获取推理后的目标检测模型;将所述采集图像输入推理后的目标检测模型中,输出所述采集图像中的定位点框与标识点框;将所述定位点框的中心点与所述标识点框的中心点,确定为所述采集图像中的定位点与标识点;其中,所述定位点位于白色区域中,所述标识点位于黑色区域中;
第二确定单元,用于根据所述定位点的坐标与所述标识点的坐标,确定所述定位点与所述标识点之间与水平坐标轴形成的角度;
判定单元,用于根据所述角度,判定所述目标电解电容的极性方向。
9.一种电子设备,其特征在于,所述设备包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行权利要求1-7中任一所述的方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311477013.3A CN117197248B (zh) | 2023-11-08 | 2023-11-08 | 一种电解电容方向判定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311477013.3A CN117197248B (zh) | 2023-11-08 | 2023-11-08 | 一种电解电容方向判定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197248A CN117197248A (zh) | 2023-12-08 |
CN117197248B true CN117197248B (zh) | 2024-01-26 |
Family
ID=88989183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311477013.3A Active CN117197248B (zh) | 2023-11-08 | 2023-11-08 | 一种电解电容方向判定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197248B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02251714A (ja) * | 1989-03-27 | 1990-10-09 | Hitachi Ltd | 実装極性部品の極性検査方法および実装基板外観検査方法 |
CN104537650A (zh) * | 2014-12-16 | 2015-04-22 | 广州视源电子科技股份有限公司 | 一种铝电解电容器的极性方向判定方法及装置 |
CN109870141A (zh) * | 2017-12-05 | 2019-06-11 | 英业达科技有限公司 | 利用影像判断电解电容极性的方法及系统 |
CN111007441A (zh) * | 2019-12-16 | 2020-04-14 | 深圳市振邦智能科技股份有限公司 | 一种电解电容极性检测方法及检测系统 |
CN111144322A (zh) * | 2019-12-28 | 2020-05-12 | 广东拓斯达科技股份有限公司 | 一种分拣方法、装置、设备和存储介质 |
CN111738247A (zh) * | 2020-05-15 | 2020-10-02 | 上海望友信息科技有限公司 | 极性标识的识别方法、识别装置、电子设备及存储介质 |
CN113159064A (zh) * | 2021-04-06 | 2021-07-23 | 高书俊 | 基于精简的YOLOv3电路板电子元件目标检测的方法与装置 |
CN116188759A (zh) * | 2022-12-22 | 2023-05-30 | 贵州航天计量测试技术研究所 | 一种基于多角度定点模板匹配的片式钽电容视觉定位方法 |
CN116228741A (zh) * | 2023-04-10 | 2023-06-06 | 广东工业大学 | 一种pcba元器件缺陷检测方法及装置 |
CN116245882A (zh) * | 2023-05-11 | 2023-06-09 | 深圳市世宗自动化设备有限公司 | 电路板电子元件检测方法、装置及计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI270328B (en) * | 2005-09-27 | 2007-01-01 | Inventec Corp | Method of inspecting manually-inserted elements |
-
2023
- 2023-11-08 CN CN202311477013.3A patent/CN117197248B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02251714A (ja) * | 1989-03-27 | 1990-10-09 | Hitachi Ltd | 実装極性部品の極性検査方法および実装基板外観検査方法 |
CN104537650A (zh) * | 2014-12-16 | 2015-04-22 | 广州视源电子科技股份有限公司 | 一种铝电解电容器的极性方向判定方法及装置 |
CN109870141A (zh) * | 2017-12-05 | 2019-06-11 | 英业达科技有限公司 | 利用影像判断电解电容极性的方法及系统 |
CN111007441A (zh) * | 2019-12-16 | 2020-04-14 | 深圳市振邦智能科技股份有限公司 | 一种电解电容极性检测方法及检测系统 |
CN111144322A (zh) * | 2019-12-28 | 2020-05-12 | 广东拓斯达科技股份有限公司 | 一种分拣方法、装置、设备和存储介质 |
CN111738247A (zh) * | 2020-05-15 | 2020-10-02 | 上海望友信息科技有限公司 | 极性标识的识别方法、识别装置、电子设备及存储介质 |
CN113159064A (zh) * | 2021-04-06 | 2021-07-23 | 高书俊 | 基于精简的YOLOv3电路板电子元件目标检测的方法与装置 |
CN116188759A (zh) * | 2022-12-22 | 2023-05-30 | 贵州航天计量测试技术研究所 | 一种基于多角度定点模板匹配的片式钽电容视觉定位方法 |
CN116228741A (zh) * | 2023-04-10 | 2023-06-06 | 广东工业大学 | 一种pcba元器件缺陷检测方法及装置 |
CN116245882A (zh) * | 2023-05-11 | 2023-06-09 | 深圳市世宗自动化设备有限公司 | 电路板电子元件检测方法、装置及计算机设备 |
Non-Patent Citations (2)
Title |
---|
Fast Plug-in Capacitors Polarity Detection with Morphology and SVM Fusion Method in Automatic Optical Inspection System;He Jiawang 等;《Springer Nature 2021》;19-21 * |
基于机器视觉的PCB板电解电容极性检测;包晓敏 等;《测控技术》;第39卷(第10期);62-66 * |
Also Published As
Publication number | Publication date |
---|---|
CN117197248A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598721B (zh) | 电池极片的缺陷检测方法、装置、检测设备和存储介质 | |
CN109389030B (zh) | 人脸特征点检测方法、装置、计算机设备及存储介质 | |
CN110135503B (zh) | 一种装配机器人零件深度学习识别方法 | |
WO2019119391A1 (zh) | 云端抄表方法及装置 | |
US20210025712A1 (en) | Method for correcting gyroscope data of mobile robot, device, and storage medium | |
CN112164032B (zh) | 一种点胶方法、装置、电子设备及存储介质 | |
CN104268591A (zh) | 一种面部关键点检测方法及装置 | |
CN111310746B (zh) | 文本行检测方法、模型训练方法、装置、服务器及介质 | |
CN110378227B (zh) | 修正样本标注数据的方法、装置、设备及存储介质 | |
CN112651490B (zh) | 人脸关键点检测模型的训练方法及设备、可读存储介质 | |
WO2019232870A1 (zh) | 手写字训练样本获取方法、装置、计算机设备及存储介质 | |
JP7429307B2 (ja) | コンピュータビジョンに基づく文字列認識方法、装置、機器及び媒体 | |
CN108776965B (zh) | 一种图像中直线测量方法、装置、设备及存储介质 | |
CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
CN112287947A (zh) | 一种区域建议框检测方法、终端及存储介质 | |
CN117372424B (zh) | 一种缺陷检测方法、装置、设备及存储介质 | |
CN117197248B (zh) | 一种电解电容方向判定方法、装置、设备及存储介质 | |
CN115471439A (zh) | 显示面板缺陷的识别方法、装置、电子设备及存储介质 | |
CN113177387A (zh) | 显示面板的像素版图生成方法及装置 | |
CN114627113B (zh) | 一种印制电路板缺陷检测方法及系统及装置及介质 | |
Zou et al. | YOLOv7‐EAS: A Small Target Detection of Camera Module Surface Based on Improved YOLOv7 | |
CN117129029B (zh) | 一种芯片检测方法及系统 | |
CN112183563A (zh) | 一种图像识别模型的生成方法、存储介质及应用服务器 | |
CN110458070A (zh) | 基于机动车年检检验表图片识别检验次数的方法与系统 | |
CN114627114B (zh) | 产品缺陷严重程度测量方法及系统及装置及介质 |
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 |