深度学习的红外热成像电路板元器件识别研究

摘要

针对现有YOLO目标检测算法在自建数据集漏检率高、图像受复杂环境影响造成检测准确率低等问题，提出一种基于YOLO v5改进的红外图像识别算法。根据红外数据图片的独特性质，重新设计主干网络部分，引入全维动态卷积（OMNI-Dimensional Dynamic Convolution, ODConv）模块和改进坐标注意力（Coordinate Attention, CA）机制，提高模型对小目标的检测精确度并减少参数量；其次，引入解耦头（Decoupled Head, DH）模块，提高模型训练的收敛速度；最后，加入GSConv(Graph-Shifted Convolution) Slim模块，以降低模型的复杂度，提高预测速度。实验结果表明：改进后的算法模型漏检率降低40.22%，每秒浮点运算次数（Floating-point Operations Per Second, FLOPs）提升了25%，平均准确率提升了28.32%。

关键词

红外热成像 / YOLO v5 / 全维动态卷积 / 改进解耦头 / 改进坐标注意力机制 / GSConv Slim模块

基金资助

新疆维吾尔自治区自然科学基金（2022D01C431）