【技术实现步骤摘要】
利用YOLOV4网络的陶瓷基板多种瑕疵智能检测方法
[0001]本专利技术涉及深度学习目标检测领域,尤其是一种利用YOLOV4网络的陶瓷基板多种瑕疵智能检测方法。
技术介绍
[0002]陶瓷基板是当前大功率电力电子电路结构技术和互连技术的基础材料,在电子制造领域具有广泛的应用。在陶瓷基板的生产过程中,由于制造工艺和设备问题的影响,会出现镀金层损伤、边缘多金和陶瓷基板缺瓷、污染和异物等五种典型瑕疵。研究高效、快速而准确的陶瓷基板瑕疵自动检测方法对陶瓷基板质量控制与故障检测具有重要的实际意义。
[0003]随着深度学习的发展,越来越多的基于深度卷积神经网络的目标检测方法被提出,基于深度卷积神经网络的目标检测算法被广泛应用于工业产品的表面瑕疵检测。但是陶瓷基板瑕疵形状多变、尺寸跨度大,且多金和缺瓷瑕疵有较多小目标,样本量小,各类瑕疵数量分布不均匀,现有基于深度卷积网络的表面瑕疵检测算法难以进行准确的检测。
技术实现思路
[0004]本专利技术人针对上述问题及技术需求,提出了一种利用YOLOV4网络的陶瓷基板多种瑕疵智能检测方法,本专利技术的技术方案如下:
[0005]一种利用YOLOV4网络的陶瓷基板多种瑕疵智能检测方法,该方法包括:
[0006]制备包含若干个样本图像的陶瓷基板瑕疵训练集,样本图像是包含瑕疵目标的陶瓷基板的图像且在瑕疵目标处标注有真实框的位置尺寸信息、置信度和目标类别,陶瓷基板瑕疵训练集覆盖多种类别的瑕疵目标;
[0007]将样本图像输入基于YOLOV4网络
【技术保护点】
【技术特征摘要】
1.一种利用YOLOV4网络的陶瓷基板多种瑕疵智能检测方法,其特征在于,所述方法包括:制备包含若干个样本图像的陶瓷基板瑕疵训练集,样本图像是包含瑕疵目标的陶瓷基板的图像且在瑕疵目标处标注有真实框的位置尺寸信息、置信度和目标类别,所述陶瓷基板瑕疵训练集覆盖多种类别的瑕疵目标;将样本图像输入基于YOLOV4网络构建的智能检测模型后,主干网络提取所述样本图像的多种尺寸的特征图,并依次经过所述颈部网络和头部网络处理后输出;对于输出的每一种尺寸的特征图,将所述特征图划分为若干个单元网格,并在每个单元网格内利用若干个先验框预测得到预测框,并计算损失函数为LOSS=LOSS
reg
+LOSS
GHM
‑
C
+LOSS
cls
,其中定位损失函数LOSS
reg
利用所有单元网格内的预测框与对应真实框的位置尺寸信息计算得到,置信度损失函数LOSS
GHM
‑
C
基于梯度均衡机制利用所有单元网格内的预测框与对应真实框的置信度计算得到,分类损失函数LOSS
cls
利用所有单元网格内的预测框与对应真实框的目标类别,利用所述陶瓷基板瑕疵训练集基于所述损失函数训练所述智能检测模型;将待检测陶瓷基板的待检测图像输入所述智能检测模型,得到对所述待检测图像中的瑕疵目标的检测结果。2.根据权利要求1所述的方法,其特征在于,置信度损失函数LOSS
GHM
‑
C
的计算方法为:其中,是第n个预测框的置信度p
n
及其对应的真实框的置信度计算得到的交叉熵损失,N是一个特征图中包含的所有预测框的总数,GD(g
t
)表示当前的预测框所在的以梯度模值g
t
为中心的预定子区间的梯度密度。3.根据权利要求2所述的方法,其特征在于,以梯度模值g
t
为中心的预定区间内的梯度密度GD(g
t
)的计算方法为:其中,ε为预设均分长度,g
k
是第k个预测框的梯度模值。4.根据权利要求1所述的方法,其特征在于,位置尺寸信息包括坐标偏移量和长宽比,则有:则有:其中,λ
coord
=2
‑
w
×
h,w
×
h是当前的特征图的尺寸,S2是特征图包含的单元网格的数量,B是每个单元网格中预测框的数量,表示第i个单元网格内的第j个预测框中包含瑕疵目标,分别是第i个单元网格内的第j个预测框的横坐标偏移量、纵坐标偏移量、
宽边比和高边比,分别是第i个单元网格内的第j个预测框对应的真实框的横坐标偏移量、纵坐标偏移量、宽边比和高边比;对于预测框和真实框中的任意一个目标框,中心点坐标为(b
x
,b
y
)、宽边长为b
w
、高边长为b
h
的目标框的位置尺寸信息t
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。