电子元器件种类繁多且没有一致的细粒度分类标准,为快速满足元器件在不同粒度下的分类需求,提出一种基于深度学习的YOLOR-ECA(YOLOv8 and ResNet50 with efficient channel attention)电子元器件检测算法。首先采用YOLOv8网络定位元器...电子元器件种类繁多且没有一致的细粒度分类标准,为快速满足元器件在不同粒度下的分类需求,提出一种基于深度学习的YOLOR-ECA(YOLOv8 and ResNet50 with efficient channel attention)电子元器件检测算法。首先采用YOLOv8网络定位元器件位置,然后采用ResNet50网络对定位获取的元器件进行识别分类,通过元器件种类的增减满足不同细粒度的分类标准。为提升模型对尺寸小、特征相似元器件的细节特征提取能力,分类网络引入ECA注意力机制,并对残差结构的捷径连接部分进行改进;为避免神经元失活,采用GELU(Gaussian Error Linear Units)激活函数。实验结果表明,改进的YOLOR-ECA模型的检测准确率为96.6%,并且对于小尺寸元器件的识别精度最高可达100%,对于具有特征相似性元器件的误检率最低可降到0.01%,能实现电子元器件在不同细粒度分类标准下的高效检测。展开更多
文摘电子元器件种类繁多且没有一致的细粒度分类标准,为快速满足元器件在不同粒度下的分类需求,提出一种基于深度学习的YOLOR-ECA(YOLOv8 and ResNet50 with efficient channel attention)电子元器件检测算法。首先采用YOLOv8网络定位元器件位置,然后采用ResNet50网络对定位获取的元器件进行识别分类,通过元器件种类的增减满足不同细粒度的分类标准。为提升模型对尺寸小、特征相似元器件的细节特征提取能力,分类网络引入ECA注意力机制,并对残差结构的捷径连接部分进行改进;为避免神经元失活,采用GELU(Gaussian Error Linear Units)激活函数。实验结果表明,改进的YOLOR-ECA模型的检测准确率为96.6%,并且对于小尺寸元器件的识别精度最高可达100%,对于具有特征相似性元器件的误检率最低可降到0.01%,能实现电子元器件在不同细粒度分类标准下的高效检测。
