CN114331985B 电子元器件划痕缺陷检测方法、装置和计算机设备 （中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）））

本申请涉及一种电子元器件划痕缺陷检测精确度的平均值及样本图像集对划痕缺陷检测模型进行训练，调整划痕缺陷检测模型中的参2获取样本电子元器件的样本图像集，所述样本图像集包括有划基于平均精确度的平均值及所述样本图像集对划痕缺陷检测其中，所述基于平均精确度的平均值及所述样本图像集对划痕缺陷检测模型进行训基于所述第二尺度预测层对应的先验框尺寸及所述第三尺度预测层对应的先验框尺在所述尺寸范围中获取多个取值，将每一取值作为所述目标从每一训练样本在每一取值下对应的先验框集合中确定每一训练样本在每一取值下确定最大的平均精确度的平均值对应的取值，并作为所述目标先验框尺寸的最终取通过真实框，分别标注多个原始样本图像与所述多个增强样本图像将每一训练样本在每一取值下对应的先验框集合中的每一先验框与每一训练样本对通过K-means算法，对所述样本图像集中所有样本图像各自对应的真实框尺寸进行聚3将所述目标图像输入至训练后的划痕缺陷检测模型，输出用于指示所述目标图像确定先验框的置信度阈值；根据所述置信度阈值及所第一获取模块，用于获取样本电子元器件的样本图像集，训练模块，用于基于平均精确度的平均值及所述样所述第二尺度预测层对应的先验框尺寸及所述第三尺度预测层对应的先验框尺寸确定尺每一训练样本在每一取值下对应的预测框，基于每一训练样本在每一取值下对应的预测检测模块，用于根据训练后的划痕缺陷检测模型，对目标电子元器通过K-means算法，对所述样本图像集中所有样本图像各自对应的真实框尺寸进行聚8.一种计算机设备，包括存储器和处理器，所述存储器处理器执行时实现权利要求1至5中任一项所述的方45[0001]本申请涉及深度学习技术领域，特别是涉及一种电子元器件划痕缺陷检测方法、面缺陷检测已然成为电子产品生产加工和可靠性分析过程中[0007]基于平均精确度的平均值(meanAveragePrecision，mAP)及样本图像集对划痕[0011]通过真实框，分别标注多个原始样本图像与其中多个增强样本图像中的划痕缺6尺度预测层对应的目标先验框尺寸；相应地，基于平均精确度的平均值(meanAverage[0013]基于第二尺度预测层对应的先验框尺寸及第三尺度预测层对应的先验框尺寸确[0015]从每一训练样本在每一取值下对应的先验框集合中确定每一训练样本在每一取[0018]将每一训练样本在每一取值下对应的先验框集合中的每一先验框与每一训练样[0020]通过K-means算法，对样本图像集中所有样本图像各自对应的真实框尺寸进行聚7[0033]基于平均精确度的平均值(meanAveragePrecision，mAP)及样本图像集对划痕[0037]基于平均精确度的平均值(meanAveragePrecision，mAP)及样本图像集对划痕[0041]基于平均精确度的平均值(meanAveragePrecision，mAP)及样本图像集对划痕[0046]图3为一个实施例中人为制造的划痕缺陷和电子元器件在生产过程中受仪器等其8[0052]本申请实施例提供的电子元器件划痕缺陷检测方法，可以应用于如图1所示的应9[0068]在上述步骤301中，原始样本图像指的是通过图像硬件采集装置对电子元器件的陷的样本图像有633张，新的无划痕缺陷的样本图像有690张，最终的样本图像集共包括练集的样本数量，从而可以避免因样本图像少造成划痕缺陷检测模型出现过过拟合现象，[0078]401、基于第二尺度预测层对应的先验框尺寸及第三尺度预测层对应的先验框尺[0080]403、从每一训练样本在每一取值下对应的先验框集合中确定每一训练样本在每范化(batchnormalization,BN)层和激活(leakyReLU)层，并且使用步幅为2的卷积层代[0083]而且，yolov3模型是一种基于回归的目标检测模型，该模型的先验检测(piror[0085](1)使用残差网络Residual，DarkNet-53卷积网络中的残差卷积首先会进行一次[0086](2)DarkNet-53卷积网络中每一个卷积部分都是用了特有的DarkN每一次卷积时进行L2正则化，完成卷积时则进行标准化(batchnormalization)和激活函[0090]相较于其他的目标检测方法，yolov3模型使用一个单神经网络作用于整张图像尺度预测层输出的特征图的网格数量最少，第三尺度预测层输出的特征图的网格数量最上述步骤401中的尺寸范围也分为三种。三种尺寸范围是根据第二尺度预测层对应的先验别为[40cm×50cm-140cm×150cm]、[45cm×55cm-145cm×155cm]及[50cm×60cm-150cm×精确度的平均值中找出最大的平均精确度的平均值，将最大的mAP值对应的三个目标先验框尺寸作为划痕缺陷检测模型中第二尺度预测层的三个先验框的最[0100]将每一训练样本在每一取值下对应的先验框集合中的每一先验框与每一训练样ij个候选框对检测目标负责时(定义先验框与真实框的IoU值最大即为负责)，I=1,否则为负责时(定义先验框与真实框的IoU值最大即为负责)，否则I"=0。实框的IoU值最大即为负责)，否则I"=0。[0117]通过K-means算法，对所述样本图像集中所有样本图像各自对应的真实框尺寸进[0120]本发明实施例提供的方法，通过K-means算法对样本图像集中所有样本图像各自[0124]503、确定先验框的置信度阈值；根据所述置信度阈值及所述多个先验框的置信[0125]504、对所述目标先验框集采用非极大值抑制筛选法进行筛选，确定最终的预测[0126]在上述步骤502中，训练后的划痕缺陷检测模型指的是第二尺度预测层对应的三[0128]本发明实施例提供的方法，通过非极大值抑制筛选法对陷检测装置实施例中的具体限定可以参见上文中对于电子元器件划痕缺陷检测方法的限[0137]训练模块502，用于基于平均精确度的平均值及样本图像集对划痕缺陷检测模型[0167]基于第二尺度预测层对应的先验框尺寸及第三尺度预测层对应的先验框尺寸确[0169]从每一训练样本在每一取值下对应的先验框集合中确定每一训练样本在每一取[0170]确定最大的平均精确度的平均值对应的取值，并作为目标先验框尺寸的最终取[0172]将每一训练样本在每一取值下对应的先验框集合中的每一先验框与每一训练样[0174]通过K-means算法，对样本图像集中所有样本图像各自对应的真实框尺寸进行聚[0188]基于所述第二尺度预测层对应的先验框尺寸及所述第三尺度预测层对应的先验[0190]从每一训练样本在每一取值下对应的先验框集合中确定每一训练样本在每一取[0191]确定最大的平均精确度的平均值对应的取值，并作为目标先验框尺寸的最终取[0193]将每一训练样本在每一取值下对应的先验框集合中的每一先验框与每一训练样[0195]通过K-means算法，对样本图像集中所有样本图像各自对应的真实框尺寸进行聚[0209]基于第二尺度预测层对应的先验框尺寸及第三尺度预测层对应的先验框尺寸确[0211]从每一训练样本在每一取值下对应的先验框集合中确定每一训练样本在每一取[0212]确定最大的平均精确度的平均值对应的取值，并作为目标先验框尺寸的最终取[0214]将每一训练样本在每一取值下对应的先验框集合中的每一先验框与每一训练样[0216]通过K-means算法，对样本图像集中所有样本图像各自对应的真实框尺寸进行聚非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only(ReRAM)、磁变存储器(MagnetoresistiveRandomAccessMemory，MRAM)、铁电存储器(FerroelectricRandomAccessMemory，FRAM)、相变存储器(PhaseChangeMemory，PCM)、石墨烯存储器等