文档摘要：为解决电子元器件组装中不同类型电子元器件难以自动区分的问题,利用改进的YOLOv5网络对电子元器件进行了实例分割,实现了不同元器件的自动识别分类.首先,使用三通道直方图均衡化对图像进行预处理.其次,在不增加模型复杂度的前提下,使用SE-Net通道注意力模块增强网络的特征提取能力,压缩无用信息;利用GhostNet实现网络轻量化;采用BiFPN增强网络特征融合能力.实验得出,采用改进的YOLOv5方法对电子元器件实例分割,其mAP为96.7％,单图的检测时间平均为45.5ms.试样结果表明,该实例分割方法优于同类方法,对提高电子元件的自动化检测水平具有实用意义.
Abstract：Toaddressthechallengeofautomaticrecognitionofelectroniccomponentsonanassemblyline,animprovedYOLOv5wasusedtoimplementinstancesegmentationoffourcategoriesofelectroniccomponents.Firstly,multi-channelhistogramequalizationwasusedforimagepreprocessing.Then,theYOLOv5wasimproved:Segmentationheadwasadded;Sequeeze-and-excitationnet(SE-Net)channelattentionmodulewasembeddedtoenhancethefeatureextractioncapabilityandtocompresstheuselessinformationwithoutincreasingthemodelcomplexity;GhostNetwasusedtomakethemodellightweight;andBiFPNwasusedtoenhancemodelfeaturefusioncapability.Finally,experimentalresultsshowedthatthemAPoftheproposedmethodcouldreach96.7％andthedetectiontimeofasingleimagewas45.5ms.Theresultsprovethatproposedmethodhassuperiorperformancethanthatbasedonmaskregion-basedconventionalneuralnetwork(MaskRCNN)andinitialYOLOv5,andhaspracticalsignificanceforautomaticdetectionofelectroniccomponents.
作者：杨祎宁 魏鸿磊Author：YANGYining WEIHonglei
作者单位：大连工业大学机械工程与自动化学院,辽宁大连116000
刊名：测试科学与仪器
Journal：JournalofMeasurementScienceandInstrumentation
年，卷(期)：2024, 15(1)
分类号：
关键词：实例分割 深度学习 YOLOv5 元器件识别
Keywords：instancesegmentation deeplearning YOLOv5 componentsdetection
机标分类号：TP391.41TN911.73TP273
在线出版日期：2024年4月28日
基金项目：基于改进YOLOv5的电子元器件实例分割算法[
期刊论文] 测试科学与仪器--2024, 15(1)杨祎宁 魏鸿磊为解决电子元器件组装中不同类型电子元器件难以自动区分的问题,利用改进的YOLOv5网络对电子元器件进行了实例分割,实现了不同元器件的自动识别分类.首先,使用三通道直方图均衡化对图像进行预处理.其次,在不增加模型复杂...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
关键词：实例分割,深度学习,YOLOv5,元器件识别,
|
|
1
