[發(fā)明專利]用于通訊變壓器的引腳連接穩(wěn)定性的檢測方法

在審

• 申請?zhí)枺?/td>: 202110075005.0
• 申請日: 2021-01-20
• 公開（公告）號: CN112733786A
• 公開（公告）日: 2021-04-30
• 發(fā)明（設(shè)計）人: 楊雨欣
• 申請（專利權(quán)）人: 成都莉娣揚科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種用于通訊變壓器的引腳連接穩(wěn)定性的檢測方法，其特征在于，包括：

訓(xùn)練階段，包括：

獲取訓(xùn)練圖像，所述訓(xùn)練圖像為通訊變壓器的引腳連接圖像；

將所述引腳連接圖像通過深度卷積神經(jīng)網(wǎng)絡(luò)，以獲得訓(xùn)練特征圖；

確定所述訓(xùn)練特征圖中對應(yīng)于所述通訊變壓器的最外層的連接引腳的感興趣區(qū)域；

從所述訓(xùn)練特征圖中提取所述感興趣區(qū)域的特征值，并將其他位置以相同的默認值填充，以獲得訓(xùn)練局部加強特征圖；

將所述訓(xùn)練局部加強特征圖通過注意力機制模塊，以獲得訓(xùn)練注意力特征圖；

融合所述訓(xùn)練注意力特征圖與所述訓(xùn)練特征圖，以獲得訓(xùn)練分類特征圖；

將所述訓(xùn)練分類特征圖通過第一分類器，以獲得第一分類損失函數(shù)值；

將所述訓(xùn)練注意力特征圖通過第二分類器，以獲得第二分類損失函數(shù)值；以及

基于所述第一分類損失函數(shù)值和所述第二分類損失函數(shù)值的加權(quán)和，更新所述卷積神經(jīng)網(wǎng)絡(luò)和所述注意力機制模塊的參數(shù)；以及

檢測階段，包括：

通過攝像頭獲取待檢測通訊變壓器的引腳連接圖像，其中，所述攝像頭安裝在所述待檢測通信變壓器的安裝位置處且所述攝像頭的視場角對應(yīng)于所述待檢測通信變壓器的引腳；

將所述引腳連接圖像通過所述深度卷積神經(jīng)網(wǎng)絡(luò)，以獲得引腳連接特征圖；

確定所述引腳連接特征圖中對應(yīng)于所述通訊變壓器的最外層的連接引腳的感興趣區(qū)域；

從所述引腳連接特征圖中提取所述感興趣區(qū)域的特征值，并將其他位置以相同的默認值填充，以獲得局部加強特征圖；

將所述局部加強特征圖通過注意力機制模塊，以獲得注意力特征圖；

融合所述注意力特征圖與所述引腳連接特征圖，以獲得分類特征圖；以及

將所述分類特征圖通過所述第一分類器，以獲得分類結(jié)果，所述分類結(jié)果用于表示所述待檢測通訊變壓器的引腳連接穩(wěn)定性是否符合預(yù)設(shè)要求。

2.根據(jù)權(quán)利要求1所述的用于通訊變壓器的引腳連接穩(wěn)定性的檢測方法，其中，確定所述訓(xùn)練特征圖中對應(yīng)于所述通訊變壓器的最外層的連接引腳的感興趣區(qū)域，包括：

識別出所述引腳連接圖像中所述通訊變壓器對象；

對所述通訊變壓器對象進行邊緣檢測，以獲得所述通訊變壓器的最外層的連接引腳對應(yīng)的位置；以及

基于所述最外層的連接引腳對應(yīng)的位置，確定所述訓(xùn)練特征圖中所述最外層的連接引腳對應(yīng)的感興趣區(qū)域。

3.根據(jù)權(quán)利要求1所述的用于通訊變壓器的引腳連接穩(wěn)定性的檢測方法，其中，確定所述訓(xùn)練特征圖中對應(yīng)于所述通訊變壓器的最外層的連接引腳的感興趣區(qū)域，包括：

通過圖像語義分割識別出所述訓(xùn)練特征圖中所述通訊變壓器的最外層的連接引腳對象；以及

將所述通訊變壓器的最外層的連接引腳對象在所述訓(xùn)練特征圖中的區(qū)域，確定為所述感興趣區(qū)域。

4.根據(jù)權(quán)利要求1所述的用于通訊變壓器的引腳連接穩(wěn)定性的檢測方法，其中，從所述訓(xùn)練特征圖中提取所述感興趣區(qū)域的特征值，并將其他位置以相同的默認值填充，以獲得訓(xùn)練局部加強特征圖，包括：

對所述訓(xùn)練特征圖進行全局平均值池化，以獲得一個特征值作為默認值；

從所述訓(xùn)練特征圖中提取所述感興趣區(qū)域的特征值；以及

以所述特征值作為默認值對所述訓(xùn)練特征圖中除所述感興趣區(qū)域外的其他位置進行填充，以獲得所述局部加強特征圖。

5.根據(jù)權(quán)利要求1所述的用于通訊變壓器的引腳連接穩(wěn)定性的檢測方法，其中，將所述訓(xùn)練局部加強特征圖通過注意力機制模塊，以獲得訓(xùn)練注意力特征圖，包括：

將所述訓(xùn)練局部加強特征圖通過多個卷積層，以獲得卷積特征圖；以及

計算所述卷積特征圖與所述訓(xùn)練局部加強特征圖之間的按像素位置點乘，以獲得所述訓(xùn)練注意力特征圖。