CN115861229A - 一种基于YOLOv5s元器件封装缺陷X射线检测方法 - Google Patents

Abstract

本发明公开了一种基于YOLOv5s元器件封装缺陷X射线检测方法。构建样本数据集；采集到的X射线芯片图像通过人工标注得到每一张图片的标签数据，标签数据包括：气泡缺陷的中心点坐标值、宽高值和类别。采用K‑means++算法对芯片数据集真实标注框宽高值进行聚类，得到三个尺度的先验框初始值。搭建轻量化的YOLOv5s轻量化检测模型，为充分利用多尺度语义信息，采用轻量的BiFPN的多尺度双向特征融合思想构建特征融合网络。引入Ghost模块替换掉C3模块，对主干网络进行轻量化，在不降低精度的前提下提高检测速度。构建损失函数，利用QFocal loss代替二分类交叉熵损失函数，解决正负样本不均衡问题。

Description

一种基于YOLOv5s元器件封装缺陷X射线检测方法

技术领域

本申请涉及元器件封装缺陷检测或图像处理的技术领域，特别是一种基于YOLOv5s元器件封装缺陷X射线检测方法。

背景技术

元器件在封装过程中容易产生空洞等缺陷，影响元器件的使用性能。X射线检测可以非破坏性的检测封装内的缺陷，特别是密封工艺引起的缺陷、多余物、错误的内引线连接和芯片粘接不良等内部缺陷。现阶段X射线检测主要依靠人工利用X射线检测设备对元器件内部的缺陷进行拍照，然后由专业的检测人员对缺陷区域进行判定，人工检测效率较低，检测稳定性较差，不能满足大批量的元器件检测需求。因此，使用基于计算机视觉技术的方法代替人工检测具有十分重要的意义。然而元器件中的空洞缺陷存在缺陷形状不规则、尺度变化范围大、缺陷与背景相似度高、缺陷所占的比例小的特点，导致机器视觉算法漏检率高等问题。随着计算机视觉技术的发展，出现了越来越多的基于深度学习的目标检测方法，改善了传统机器视觉算法对成像环境适应性差、漏检率高等问题。基于深度学习的目标检测算法主要分为两类：一类是双阶段目标检测算法，首先进行候选区域提取获得目标建议框，再进行目标的分类和位置预测，如Fast R-CNN、Faster R-CNN等；另一类是单阶段目标检测算法，其省略了候选区域生成的过程，直接对目标的类别和位置进行回归，主要包括YOLO系列和SSD算法。但是现有的深度学习方法依赖于强大的算力，在实际工业场景下，由于算力和存储空间的限制，目标检测模型推理速度较低。

发明内容

针对现有技术存在的缺陷，为了提高检测速度，并且不降低检测精度，本发明在原有YOLOv5s目标检测网络的基础上，面向粘接空洞缺陷特点进行结构优化，设计了一个适合部署在有限计算资源设备中的轻量化网络，更加适用于实际的检测环境，并且未来可以推广到自动化X射线检测处理的应用场景下，例如未来可以推广到生产线边拍照边处理的实时场景下。

第一方面，提供了一种元器件封装缺陷X射线检测方法，包括：

在N个元器件封装图片训练样本上标定多个锚框，所述锚框与所述元器件封装图片训练样本上的缺陷对应；

按照锚框尺寸划分得到多个锚框类别；

将所述N个元器件封装图片训练样本输入待训练的YOLOv5模型以执行训练，所述YOLOv5模型的多个检测头分别用于输出所述多个锚框类别的锚框识别结果；

根据损失函数，以及所述锚框识别结果和训练样本上标定的多个锚框，调整所述YOLOv5模型的参数，得到训练后的YOLOv5模型；

将待检测元器件封装图片输入至所述训练后的YOLOv5模型，得到所述待检测元器件封装图片对应的锚框识别结果。

与现有技术相比，本申请提供的方案至少包括以下有益技术效果：

本文提出的模型参数量少，推理速度快，能够有效解决部分工业场景下存储空间和计算资源能力受限的问题，在数据集构建合理情况下能够对气泡缺陷进行有效检测且准确率较高，同时，后期增加难分缺陷随时进行再训练，有很大的优化空间。本发明对于利用计算机视觉技术进行芯片缺陷检测具有重要意义和使用价值。

结合第一方面，在第一方面的某些实现方式中，所述方法还包括：

采用K-means++对所述N个元器件封装图片训练样本上标定的锚框进行归类，包括：

a)随机选择一个点作为初始类簇中心点，初始类簇中心点为类簇中心点i，i＝1；

b)计算每个样本和类簇中心点i之间的距离，并将样本归类到与其相距最小的聚类中心所对应的类别中；

c)计算出每个样本被认定为类簇中心点i+1的概率，计算概率最大的样本作为下一个中心，也就是说，类簇中心点i+1可以为与类簇中心点i+1之前所有类簇中心点(即类簇中心点1，……，i)距离最远的样本，距离

P(x)为样本被认定为下一个聚类中心的概率，/>

为距x最近的聚类中心，A是全体集合；

d)i＝i+1，并重复第b)、c)步，直到k(聚类数)个聚类中心被确定。

K-means++在对初始聚类中心的选择上进行了优化，能够改善分类结果的误差获取更好的聚类效果。输入可以为人工标注的标签的宽和高，输出可以为锚框的宽和高。

结合第一方面，在第一方面的某些实现方式中，所述YOLOv5模型为YOLOv5s模型。

YOLOv5s是整个系列中包含深度和特征图宽度都最小的一个网络。搭建轻量化的YOLOv5s轻量化检测模型，为充分利用多尺度语义信息。

结合第一方面，在第一方面的某些实现方式中，所述YOLOv5模型包括主干网络、BiFPN模块和检测头模块。

由于X射线缺陷图像数据集中小目标较多，随着卷积的深入小目标特征会消失，原有的YOLOV5主要是利用8倍降采样后的特征层检测小目标，这样没有考虑更浅层级信息中细节和位置信息的利用，导致许多小目标信息的丢失，不利于小尺寸目标的检测。因此为了提高小缺陷目标的检测效果，需要将浅层特征中的细节和位置信息传递到深层特征，本文对原有的YOLOV5颈部进行改进，将PAN+FPN替换成了BiFPN模块。

结合第一方面，在第一方面的某些实现方式中，所述YOLOv5模型的C3模块为C3Ghost模块。

引入Ghost模块，替换掉原有的C3模块，对主干网络进行轻量化，在不降低精度的前提下提高了检测速度。

结合第一方面，在第一方面的某些实现方式中，所述多个锚框类别按照面积和长宽比划分为9个类锚框，所述检测头模块包括第一检测头、第二检测头和第三检测头，所述第一检测头检测的锚框面积大于所述第二检测头检测的锚框面积，所述第二检测头检测的锚框面积大于所述第三检测头检测的锚框面积。

不同检测头用于输出不同锚框面积的缺陷检测结果，有利于根据尺寸大小有针对性地输出识别结果。

结合第一方面，在第一方面的某些实现方式中，所述主干网络由浅到深包括第一C3Ghost模块、第二C3Ghost模块、第三C3Ghost模块、第四C3Ghost模块、SPPF模块，所述BiFPN模块由浅到深包括第一上采样模块、第五C3Ghost模块、第二上采样模块、第六C3Ghost模块、第七C3Ghost模块、第八C3Ghost模块，所述第六C3Ghost模块与所述第三检测头对应，所述第七C3Ghost模块与所述第二检测头对应，所述第八C3Ghost模块与所述第一检测头对应。

根据YOLOV5模型由浅到深的关系，将相对较浅的模块用于输出小目标，这样考虑了更浅层级信息中细节和位置信息的利用，提高准确性。

结合第一方面，在第一方面的某些实现方式中，所述第二C3Ghost模块输出的数据用于输入至所述第六C3Ghost模块和所述第七C3Ghost模块。

在同一尺度的特征间添加横向连接，缓解因网络层级过多造成的特征信息丢失，如此在不增加太多计算成本的同时，融合了更多的特征。浅层的数据可以送到深层网络中，接近检测头的部分，小的缺陷就淹没到网络中了，小目标检测能力更好。

结合第一方面，在第一方面的某些实现方式中，所述第三C3Ghost模块输出的数据用于输入至所述第五C3Ghost模块。

结合第一方面，在第一方面的某些实现方式中，所述SPPF模块输出的数据用于输入至所述第八C3Ghost模块。

结合第一方面，在第一方面的某些实现方式中，所述YOLOv5模型的损失函数S＝s₁QFL₁(σ)+s₂QFL₂(σ)+s₃L_BCE3，

QFL(σ)＝-α_t|y-σ|^β((1-y)log(1-σ)+ylog(σ))，L_BCE＝-log(p_t)，

s_i为权重，i＝1为分类损失，i＝2为预测框置信度损失，i＝3为预测框位置损失，σ是预测结果，β表示调制参数，y表示经标签平滑处理后的预测值，y∈[0,1]，y＝0表示负样本，α_t＝y*α+(1-y)*(1-α)，α是正负样本的权重系数，p_t为类别概率。

利用QFocal loss代替二分类交叉熵损失函数，解决正负样本不均衡问题。

第二方面，提供了一种电子设备，所述电子设备用于执行如上述第一方面中的任意一种实现方式中所述的方法。

附图说明

图1为原始的yolov5网络结构图。

图2为改进后的yolov5网络结构图。

图3为Ghost模块原理图。

图4为本发明的具体应用实例X射线检测设备采集的芯片图像(原始图像)。

图5为本发明的具体应用实例中的样本标注图像。

图6为本发明的具体应用实例中的改进前后的网络检测结果对比图。

具体实施方式

下面结合附图和具体实施例对本申请作进一步详细的描述。

1.1图像预处理

由于芯片体积较小，X射线检测设备针对中心区域芯片成像时，同时会拍摄到周围的多个芯片，使得图像内包含着其他完整或不完整的芯片影像。为避免数据重复，对单张芯片进行高精度检测，需要将每张原始图像中心处的目标芯片分割提取出来。本发明首先对图像进行中心裁剪，然后进行自适应阈值分割以及形态学操作细化分割结果，接着对分割出的轮廓进行最小外接矩形，最后通过仿射变换对其进行旋转校正，并通过双线性插值缩放到统一的尺度。

输入：X射线检测设备采集的包含多个元器件的图像(如图4所示)；输出：提取中心区域元器件后双线性插值后尺寸统一为460*460的图像(如图5所示)。

具体流程如下：

1)图像中心裁剪，提取中心区域，去除其他背景的影响；

2)二值化处理：通过OTSU算法选取适当的阈值后，对元器件图像进行二值化处理；

3)形态学操作：运用形态学操作中的闭运算，对连通区域先膨胀再腐蚀，细化图像分割效果，提高轮廓检测的精度；

4)最小外接矩形提取：对目标轮廓进行拟合，并匹配轮廓的最小外接矩形，得到中心元器件的旋转角度和尺寸；

5)仿射变换：通过仿射变换对元器件进行旋转校正，校正完毕后，通过双线性插值后将尺寸统一为460*460。

1.2空洞缺陷检测

首先构建样本数据集；采集到的X射线芯片图像；通过人工标注得到每一张图片的标签数据，标签数据包括：气泡缺陷的中心点坐标值bx，by，宽高值bw，bh和类别。其次采用K-means++算法对芯片数据集真实标注框宽高值bw，bh进行聚类，得到三个尺度的先验框初始值。接着搭建轻量化的YOLOv5s轻量化检测模型，为充分利用多尺度语义信息，采用轻量的BiFPN的多尺度双向特征融合思想构建特征融合网络；引入Ghost模块，替换掉原有的C3模块，对主干网络进行轻量化，在不降低精度的前提下提高了检测速度。最后构建损失函数，利用QFocal loss代替原有的二分类交叉熵损失函数，解决正负样本不均衡问题。

本申请提供的缺陷检测方法可以应用于YOLOv5模型。通过向YOLOv5模型输入预处理后的图像，可以输出缺陷检测结果，缺陷检测结果可以指示图像中缺陷的最小外接矩形框。

YOLOv5归属YOLO系列，是一种单阶段的目标检测算法，该算法是在YOLOv3的基础上添加了一些新的改进思路。YOLOv5模型并不是采用单一规模，而是包含多种规模的模型，分别是YOLOv5s，YOLOv5m，YOLOv5l，YOLOv5x。

本申请的一些实施例中，检测方法可以应用于YOLOv5s模型或YOLOv5s模型的推演模型。YOLOv5s是整个系列中包含深度和特征图宽度都最小的一个网络，其余的YOLOv5m，YOLOv5l，YOLOv5x都在此基础上不断地加深，不断地加宽。YOLOv5s模型的网络结构主要分为4个部分：输入层采用了自适应尺度缩放、锚框计算以及马赛克数据增强；主干网络采用了C3模块和SPPF模块；颈部结构采用了FPN与PAN相结合的结构；输出层输出一个包含具有目标物体的类别概率、置信度得分以及目标检测框位置的向量。

原始的YOLOv5检测模型如图1所示。原始YOLOv5模型适用于COCO数据集，在检测大目标具有明显的优势。而元器件缺陷的检测目标大多为小目标，为此在具体应用时，需要在元器件封装缺陷检测任务上对原始模型进行改进。改进后的YOLOv5网络结构如图2所示。

1)锚框改进

YOLOv5模型检测的基础是在输入图像上生成一系列锚框(anchor box)，锚框的选用会直接影响模型的性能。在训练YOLOv5模型之前，可以对缺陷图像的训练样本进行锚框标定。另外，根据锚框的尺寸相关信息，可以确定锚框的类别。在本申请实施例提供的一些实施例中，如图1所示，YOLOv5模型的输出层具有3个检测模块，每个检测模块可以用于检测m个类别，则YOLOv5模型可以用于检测3*m＝k个类别。

例如，将按照锚框的面积，将锚框分为大锚框、中锚框、小锚框。YOLOv5模型的检测模块1可以用于输出大锚框的相关信息，YOLOv5模型的检测模块2可以用于输出中锚框的相关信息，YOLOv5模型的检测模块3可以用于输出小锚框的相关信息。m可以取值为3，按照锚框的长宽比进行进一步分类。大锚框可以划分为长度大于宽度且长度和宽度相差相对较大的类别，长度小于宽度且长度和宽度相差相对较大的类别，长度和宽度近似相等即相差相对较小的类别。

在一些实施例中，可以通过算法实现锚框的类别划分。YOLOv5中原有的锚框参数是依据COCO数据集设计的，不满足X射线图像缺陷的实际需要。原有的K-means算法对初始点选取有较强的随机性，会导致最终的聚类中心与最佳的聚类中心偏差较大。本申请提供的检测方法可以使用K-means++对元器件数据集中的空洞对象进行聚类。与K-means算法相比，K-means++在对初始聚类中心的选择上进行了优化，能够改善分类结果的误差获取更好的聚类效果。输入可以为人工标注的标签的宽和高，输出可以为锚框的宽和高。

具体实现步骤为：a)首先随机选择一个点作为初始类簇中心点，初始类簇中心点为类簇中心点i，i＝1；b)计算每个样本和类簇中心点i之间的距离，并将样本归类到与其相距最小的聚类中心所对应的类别中；c)计算出每个样本被认定为类簇中心点i+1的概率，计算概率最大的样本作为下一个中心，也就是说，类簇中心点i+1可以为与类簇中心点i+1之前所有类簇中心点(即类簇中心点1，……，i)距离最远的样本，d)i＝i+1，并重复第b)、c)步，直到k(聚类数)个聚类中心被确定。相关计算公式为：

式中：

为距x最近的聚类中心；D(x)为欧式距离；P(x)为样本被认定为下一个聚类中心的概率；A是全体集合。

得到k个初始化的聚类中心后，针对数据集中的每个样本点x_i，计算它到k个聚类中心的距离，并将其分到与之距离最小的聚类中心所对应的类中，针对每个类别再重新计算它的聚类中心。重复上述过程直到聚类中心的位置不再变化。

2)轻量化改进

Yolov5s中存在着丰富的冗余特征，在保证模型泛化能力的同时也占用了大量计算资源，提高了模型复杂度。Ghost模块主要构成是Ghost卷积，Ghost卷积将中间特征图的生成分为两个部分，一部分的特征图的生成是通过普通的卷积操作实现的，这部分特征图称为固有特征图(Intrinsic Feature Maps)，另一部分特征图的生成是通过对固有特征图进行分组卷积操作实现的，这部分特征图称为Ghost特征图(Ghost Feature Maps)，最后的输出结果由这两部分特征图拼接得到，因此，使用Ghost模块替换掉原有的C3模块(见图2)。Ghost模块示意图如图3所示。

3)特征融合网络结构改进

由于X射线缺陷图像数据集中小目标较多，随着卷积的深入小目标特征会消失，原有的YOLOV5主要是利用8倍降采样后的特征层检测小目标，这样没有考虑更浅层级信息中细节和位置信息的利用，导致许多小目标信息的丢失，不利于小尺寸目标的检测。因此为了提高小缺陷目标的检测效果，需要将浅层特征中的细节和位置信息传递到深层特征，本文对原有的YOLOV5颈部进行改进，将PAN+FPN替换成了BiFPN模块。

BiFPN模块运用双向融合思想，构造由上而下，自底向上的双向通道，对来自主干网络不同尺度的信息，在不同尺度间进行融合时通过上采样与下采样统一特征分辨率尺度，并在同一尺度的特征间添加横向连接，缓解因网络层级过多造成的特征信息丢失，如此在不增加太多计算成本的同时，融合了更多的特征。浅层的数据可以送到深层网络中，接近检测头的部分，小的缺陷就淹没到网络中了，小目标检测能力更好。

如图2所示，主干网络可以包括4个C3Ghost模块，由浅到深分别为C3Ghost模块a1、C3Ghost模块a2、C3Ghost模块a3、C3Ghost模块a4。BiFPN模块可以包括4个C3Ghost模块，由浅到深分别为C3Ghost模块b1、C3Ghost模块b2、C3Ghost模块b3、C3Ghost模块b4。

BiFPN模块对主干网络的SPPF输出的数据进行第一次上采样，第一次上采样输出的数据可以与C3Ghost模块a3进行第一次融合，并输入到BiFPN模块的C3Ghost模块b1。也就是说，第一次上采样得到的矩阵尺寸可以与C3Ghost模块a3输出的矩阵尺寸相同。

BiFPN模块进行第二次上采样后输出的数据可以与C3Ghost模块a2输出的数据进行第二次融合，并输入到BiFPN模块的C3Ghost模块b2。BiFPN模块的C3Ghost模块b2输出的数据可以用于小锚框的检测。也就是说，第二次上采样得到的矩阵尺寸可以与C3Ghost模块a2输出的矩阵尺寸相同。

C3Ghost模块b2输出的数据还可以经过Ghost卷积模块，与C3Ghost模块a2输出的数据进行第三次融合，并输入到BiFPN模块的C3Ghost模块b3，C3Ghost模块b3输出的数据用于实现中锚框的检测。也就是说，C3Ghost模块b2经过Ghost卷积模块输出的矩阵尺寸可以与C3Ghost模块a2输出的矩阵尺寸相同。

C3Ghost模块b3输出的数据还可以经过Ghost卷积模块，与BiFPN模块第一次上采样之前得到的数据进行融合，并输入到C3Ghost模块b4，C3Ghost模块b4输出的数据用于实现大锚框的检测。在另一个实施例中，BiFPN模块第一次上采样之前得到的数据可以直接用于大锚框的检测。

4)损失函数改进

YOLOv5的损失函数包括三个部分，分别为分类损失、预测框置信度损失和预测框位置损失。

在一些实施例中，分类损失、预测框置信度损失和预测框位置损失均可以为二分类交叉熵损失(BCE Loss)。

S＝s₁L_BCE1+s₂L_BCE2+s₃L_BCE3＝-s₁log(p_t1)-s₂log(p_t2)-s₃log(p_t3)，

其中s_i为权重，p_ti为类别概率，i＝1为分类损失，i＝2为预测框置信度损失，i＝3为预测框位置损失。

本申请提供的一些实施例中，可以采用Quality Focal Loss代替BCE Loss分别作为YOLOv5的预测框置信度损失与类别损失，既能有效平衡正负以及难易样本，又可以适配以IoU为基础的连续概率分布监督。QFocal Loss(Quality Focal Loss)是对Focal Loss在连续标签数值上的拓展形式，其具体表达式如下：

QFL(σ)＝-α_t|y-σ|^β((1-y)log(1-σ)+ylog(σ))

其中，σ是预测结果，β表示调制参数，y表示经标签平滑处理后的预测值，y∈[0,1]，y＝0表示负样本，α_t＝y*α+(1-y)*(1-α)用于平衡正负样本，α是正负样本的权重系数。

YOLOv5的损失函数S可以满足：

S＝s₁QFL₁(σ)+s₂QFL₂(σ)+s₃L_BCE3，s₁＝s₂＝s₃。

通过上述方式得到的网络模型经过训练后，可以用于执行缺陷目标检测定位。具体地，可以将预处理得到的图像输入到训练好的网络模型，网络模型可以输出图像上缺陷所在检测框的位置和大小。

图6示出了改进前后的结果对比图。与现有技术相比，本方法提出的模型参数量少，推理速度快，能够有效解决部分工业场景下存储空间和计算资源能力受限的问题，在数据集构建合理情况下能够对空洞缺陷进行有效检测且准确率较高。同时，后期增加新缺陷类型随时可进行再训练，有很大的优化空间。本发明对于利用计算机视觉技术进行元器件缺陷X射线检测具有重要意义和使用价值。

本发明虽然以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以做出可能的变动和修改，因此，本发明的保护范围应当以本发明权利要求所界定的范围为准。

Claims (12)

1.一种元器件封装缺陷X射线检测方法，其特征在于，包括：

在N个元器件封装图片训练样本上标定多个锚框，所述锚框与所述元器件封装图片训练样本上的缺陷对应；

按照锚框尺寸划分得到多个锚框类别；

将所述N个元器件封装图片训练样本输入待训练的YOLOv5模型以执行训练，所述YOLOv5模型的多个检测头分别用于输出所述多个锚框类别的锚框识别结果；

根据损失函数，以及所述锚框识别结果和训练样本上标定的多个锚框，调整所述YOLOv5模型的参数，得到训练后的YOLOv5模型；

将待检测元器件封装图片输入至所述训练后的YOLOv5模型，得到所述待检测元器件封装图片对应的锚框识别结果。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

采用K-means++对所述N个元器件封装图片训练样本上标定的锚框进行归类，包括：

a)随机选择一个点作为初始类簇中心点，初始类簇中心点为类簇中心点i，i＝1；

b)计算每个样本和类簇中心点i之间的距离，并将样本归类到与其相距最小的聚类中心所对应的类别中；

c)计算出每个样本被认定为类簇中心点i+1的概率，计算概率最大的样本作为下一个中心，也就是说，类簇中心点i+1可以为与类簇中心点i+1之前所有类簇中心点(即类簇中心点1，……，i)距离最远的样本，距离

P(x)为样本被认定为下一个聚类中心的概率，/>

为距x最近的聚类中心，A是全体集合；

d)i＝i+1，并重复第b)、c)步，直到k(聚类数)个聚类中心被确定。

3.根据权利要求1所述的方法，其特征在于，所述YOLOv5模型为YOLOv5s模型。

4.根据权利要求1所述的方法，其特征在于，所述YOLOv5模型包括主干网络、BiFPN模块和检测头模块。

5.根据权利要求4所述的方法，其特征在于，所述YOLOv5模型的C3模块为C3Ghost模块。

6.根据权利要求5所述的方法，其特征在于，所述多个锚框类别按照面积和长宽比划分为9个类锚框，所述检测头模块包括第一检测头、第二检测头和第三检测头，所述第一检测头检测的锚框面积大于所述第二检测头检测的锚框面积，所述第二检测头检测的锚框面积大于所述第三检测头检测的锚框面积。

7.根据权利要求6所述的方法，其特征在于，所述主干网络由浅到深包括第一C3Ghost模块、第二C3Ghost模块、第三C3Ghost模块、第四C3Ghost模块、SPPF模块，所述BiFPN模块由浅到深包括第一上采样模块、第五C3Ghost模块、第二上采样模块、第六C3Ghost模块、第七C3Ghost模块、第八C3Ghost模块，所述第六C3Ghost模块与所述第三检测头对应，所述第七C3Ghost模块与所述第二检测头对应，所述第八C3Ghost模块与所述第一检测头对应。

8.根据权利要求7所述的方法，其特征在于，所述第二C3Ghost模块输出的数据用于输入至所述第六C3Ghost模块和所述第七C3Ghost模块。

9.根据权利要求7所述的方法，其特征在于，所述第三C3Ghost模块输出的数据用于输入至所述第五C3Ghost模块。

10.根据权利要求7所述的方法，其特征在于，所述SPPF模块输出的数据用于输入至所述第八C3Ghost模块。

11.根据权利要求1所述的方法，其特征在于，所述YOLOv5模型的损失函数S＝s₁QFL₁(σ)+s₂QFL₂(σ)+s₃L_BCE3，QFL(σ)＝-α_t|y-σ|^β((1-y)log(1-σ)+ylog(σ))，L_BCE＝-log(p_t)

s_i为权重，i＝1为分类损失，i＝2为预测框置信度损失，i＝3为预测框位置损失，σ是预测结果，β表示调制参数，y表示经标签平滑处理后的预测值，y∈[0,1]，y＝0表示负样本，α_t＝y*α+(1-y)*(1-α)，α是正负样本的权重系数，p_t为类别概率。

12.一种电子设备，其特征在于，所述电子设备用于执行如权利要求1至11中任一项所述的方法。

Images