(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211159697.8 (22)申请日 2022.09.22 (71)申请人 苏州浪潮智能科技有限公司 地址 215168 江苏省苏州市吴中经济开发 区郭巷街道官浦路1号9幢 (72)发明人 张悦　徐基法　 (74)专利代理 机构 北京市万慧达律师事务所 11111 专利代理师 李佳桁 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/22(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 器件安装检测方法、 装置和计算机设备和存 储介质 (57)摘要 本申请涉及一种器件安装检测方法、 装置、 计算机设备和存储介质。 所述方法包括： 获取训 练图像信息， 并在训练图像信息中进行轮廓标记 且注明每一轮廓内的器件种类形成训练图像集； 在一待训练的神经网络模型中输入所述训练图 像集后进行有监督学习迭代训练， 直至收敛； 其 中所述待训练的神经网络模型为浅层网络， 包括 残差函数； 训练完成的神经网络模 型的损失函数 中包括轮廓边缘损失函数； 获取待识别区域的 图 像信息； 使用训练完成的神经网络模型进行识 别， 与各器件的预设标准位置对比生成异常信 息。 采用本方法能够通过利用浅层网络提升神经 网络模型的运算速度， 且通过增加轮廓边缘损失 函数能够增加计算各器件之间的相对位置的准 确性。 权利要求书2页 说明书11页 附图3页 CN 115424127 A 2022.12.02 CN 115424127 A 1.一种器件安装检测方法， 其特 征在于， 包括： 获取训练图像信 息， 并在训练图像信 息中进行轮廓标记且注明每一轮廓内的器件种类 形成训练图像集； 在一待训练的神经网络模型中输入所述训练图像集后进行有监督学习 迭代训练， 直至 收敛； 其中所述待训练的神经网络模型为浅层网络， 包括残差函数； 训练完成的神经网络模 型的损失函数中包括轮廓边 缘损失函数； 获取待识别区域的图像信息； 使用训练完成的神经网络模型对所述待识别区域的图像信 息进行识别， 识别出图像信 息中各器件的种类及所在位置的边 缘； 根据各器件的种类及所在位置的边缘计算各器件之间的相对位置， 并与各器件的预设 标准位置对比生成异常信息 。 2.根据权利要求1所述的器件安装检测方法， 其特征在于， 在对待训练 的神经网络模型 进行有监 督学习迭代训练之前， 还 包括： 计算合适的神经网络层数， 其为在一残差深层网络中加入残差单元构建恒等映射关 系， 设其中的残差函数F(x)＝H(x) ‑x， 其中H(x)是原始映射函数， F(x)为残差函数， x代表输 入， 求出使得H(x) ‑x＝0时的残差函数 F(x)； 将所述残差函数F(x)添入残差深层网络 中使其变为浅层网络， 将该浅层网络作为所述 待训练的神经网络模型。 3.根据权利要求1所述的器件安装检测方法， 其特征在于， 所述将所述残差函数F(x)添 入残差深层网络中使其变为浅层网络过程中， 将残差深层网络中的卷积层和批量归一化层 做参数合并。 4.根据权利要求3所述的器件安装检测方法， 其特征在于， 所述将残差深层网络 中的卷 积层和批量归一 化层做参数合并， 具体包括： 设所述卷积层的计算公式为： Y＝W*X+B；                (式1) 其中， W为权重； X为输入值， X包 含xi～xn； B为卷积 偏置； 设所述批量归一 化层的计算公式为： yi＝γ*xi+β；               (式2) 其中， μ为输入值xi～xn的平均值， δ为输入值xi～xn的方差， ε为一个很小的数， γ是缩 放因子， β 是偏移量； 将所述卷积层和所述批量归一 化层融合后的公式为： Wm＝W*α；权　利　要　求　书 1/2 页 2 CN 115424127 A 2Bm＝(B‑μ )*α +β； Y＝Wm*X+Bm；          (式3) 其中， Wm和Bm为 参数融合后的参数， α 为公式化简替代量。 5.根据权利要求1所述的器件安装检测方法， 其特征在于， 训练完成的神经网络模型的 损失函数中包括的轮廓边 缘损失函数为： 其中， N为总数， Yi 为真实值， ^yi 为预测值。 6.根据权利要求5所述的器件安装检测方法， 其特 征在于， 所述待训练的神经网络模型的损失函数为： LOSS＝Lbox+Lcls+Lmask； 所述训练完成的神经网络模型的损失函数为： LOSS’＝Lbox+Lcls+Lmask+Lborder； 其中， Lcls为分类误差损失函数， Lbox为预测框检测误差损失函数， Lmask为分割误差 损失函数。 7.根据权利要求6所述的器件安装检测方法， 其特征在于， 所述生成的异常信 息包括某 一区域的器件的种类错 误、 器件的型号 错误、 各器件之间的相对位置错 误或间距错 误。 8.一种器件安装检测装置， 其特 征在于， 所述装置包括： 图像获取模块， 用于获取训练图像信息， 并在训练图像信息中进行轮廓标记且注明每 一轮廓内的器件种类形成训练图像集； 神经网络训练模块， 用于在一待训练 的神经网络模型中输入所述训练图像集后进行有 监督学习迭代训练， 直至收敛； 其中所述待训练的神经网络模型为浅层网络， 包括残差函 数； 训练完成的神经网络模型的损失函数中包括轮廓边 缘损失函数； 待识别图像获取模块， 用于获取待识别区域的图像信息； 图像识别模块， 用于使用训练完成的神经网络模型对所述待识别区域的图像信 息进行 识别， 识别出图像信息中各器件的种类及所在位置的边 缘； 生成异常信 息模块， 用于根据 各器件的种类及所在位置的边缘计算各器件之间的相对 位置， 并与各器件的预设标准 位置对比生成异常信息 。 9.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至7中任一项所 述方法的步骤。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。权　利　要　求　书 2/2 页 3 CN 115424127 A 3