YOLOV3网络训练、PCB表面缺陷检测方法及装置制造方法及图纸

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。从而有效提高网络训练效率。从而有效提高网络训练效率。

【技术实现步骤摘要】
YOLOV3网络训练、PCB表面缺陷检测方法及装置


[0001]本公开涉及计算机
，尤其涉及一种YOLOV3网络训练、PCB表面缺陷检测方法及装置。

技术介绍

[0002]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。

技术实现思路

[0003]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。
[0004]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。
[0005]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。
[0006]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。
[0007]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。
[0008]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个高度确定为第i个初始聚类中心的高度。
[0009]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个和第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个和第个高度确定为第i个初始聚类中心的高度。
[0010]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。
[0011]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。
[0012]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。
[0013]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。
[0014]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。
[0015]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。
[0016]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。
[0017]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
[0018]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。
[0019]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。
[0020]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。
[0021]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。
[0022]图4示出根据本公开实施例的一种电子设备的框图。
[0023]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
[0024]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。2.根据权利要求1所述的方法，其特征在于，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。3.根据权利要求2所述的方法，其特征在于，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。4.根据权利要求3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。5.根据权利要求3或4所述的方法，其特征在于，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...

【专利技术属性】
技术研发人员：强虎，周强，
申请(专利权)人：摩尔线程智能科技北京有限责任公司，
类型：发明
国别省市：