(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210698021.X (22)申请日 2022.06.20 (65)同一申请的已公布的文献号 申请公布号 CN 114782437 A (43)申请公布日 2022.07.22 (73)专利权人 西南石油大 学 地址 610500 四川省成 都市新都区新都大 道8号 (72)发明人 翟天泰　韦邦浩　虞博文　林馨怡　 李聪燕　王薏汝　 (74)专利代理 机构 成都云纵知识产权代理事务 所(普通合伙) 51316 专利代理师 刘沙粒　伍星 (51)Int.Cl. G06T 7/00(2017.01)G06K 9/62(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/40(2022.01) (56)对比文件 CN 114529799 A,2022.05.24 CN 112710671 A,2021.04.27 CN 114240939 A,202 2.03.25 CN 111292305 A,2020.0 6.16 CN 112257849 A,2021.01.2 2 CN 112697806 A,2021.04.23 马美荣等.基于RetinaNet的手 机主板缺陷 检测研究. 《计算机 工程与科 学》 .2020,第42卷 (第4期), 审查员 刘利 (54)发明名称 一种基于人工智能的电脑主板质 量检测方 法及系统 (57)摘要 一种基于人工智能的电脑主板质 量检测方 法及系统， 该方法包括以下步骤： 采集待检测主 板的图像； 构建主板质量检测模型， 训练主板质 量检测模型； 利用训练的主板质量检测模型处理 待检测主板的图像， 判断图像对应的待检测主板 的风扇是否连接正确、 以及 主板固定螺丝型号是 否正确； 主板质量检测模型用于对待检测主板的 图像进行四次下采样和三次上采样， 并融合第三 次上采样得到的特征图和第一次下采样得到的 特征图， 获得检测尺度为160 ×160的第一特征 图。 本发明在传统Yolov5模型的基础上， 增加检 测尺度为160 ×160的第一特征图， 以更好地检测 固定螺丝等小目标， 有效地提高主板质量检测模 型的准确率。 权利要求书2页 说明书12页 附图6页 CN 114782437 B 2022.09.02 CN 114782437 B 1.一种基于人工智能的电脑主板质量检测方法， 其特 征在于， 包括以下步骤： 采集待检测主板的图像； 构建主板质量检测模型， 训练所述主板质量检测模型； 利用训练后的主板质量检测模型处理所述待检测主板的图像， 判断所述待检测主板的 图像对应的待检测主板的风扇是否连接正确、 以及主板固定 螺丝型号是否正确； 其中， 所述主板质量检测模型用于对待检测主板的图像进行四次下采样和三次上采 样， 并融合第三次上采样得到的特征图和第一次下采样得到的特征图， 获得检测尺度为 160 ×160的第一特 征图； 其中， 用于采集待检测主板的图像的光源位于待检测主板的风扇的正上方， 在主板质 量检测模型根据采集到的第一图像判断待检测主板风扇是否连接正确后， 若判断第一图像 中的主板固定螺丝型号不正确， 则将待检测主板旋转180 °并采集第二图像， 判断第二图像 中的主板固定螺丝型号是否正确， 若否， 则主板固定螺丝型号判断为不正确， 若是， 则主板 固定螺丝型号判断为 正确。 2.根据权利要求1所述的一种基于人工智能的电脑主板质量检测方法， 其特征在于， 所 述主板质量检测模型用于对待检测主板的图像进 行四次下采样， 分别得到第一下采样特征 图、 第二下采样特征图、 第三下采样特征图和第四下采样特征图， 所述第四下采样特征图经 过第一次上采样后同第三下采样特征图融合得到第一融合特征图， 所述第一融合特征图经 特征提取、 第二次上采样后与第二下采样特征图融合得到第二融合特征图， 所述第二融合 特征图经特征提取、 第三次上采样后与第一下采样特征图融合得到第三融合特征图， 所述 第三融合特 征图经特征提取后获得 所述第一特 征图。 3.根据权利要求2所述的一种基于人工智能的电脑主板质量检测方法， 其特征在于， 所 述主板质量检测模型用于融合所述第二融合特征图和第三融合特征图得到第四融合特征 图， 所述第四融合特征图经特征提取后获得检测尺度为80 ×80的第二特征图， 用于融合所 述第四融合特征图、 第三下采样特征图、 第一融合特征图得到第五融合特征图， 所述第五融 合特征图经特征提取后获得检测尺度为40 ×40的第三特征图， 以及用于融合所述第五 融合 特征图和 第四下采样特征图得到第六融合特征图， 所述第六融合特征图经特征提取后获得 检测尺度为20 ×20的第四特 征图。 4.根据权利要求3所述的一种基于人工智能的电脑主板质量检测方法， 其特征在于， 对 第一特征图、 第二特征图、 第三特征图、 第四特征图进行目标预测， 所述 目标预测的锚点配 置包括锚点[5,6,8,14,15,1 1]。 5.根据权利要求4所述的一种基于人工智能的电脑主板质量检测方法， 其特征在于， 采 用损失函数计算所述主板质量检测模型的目标 预测损失， 所述损失函数的公式为： 其中，lossrect为预测框总损失， lossobj为置信度总损失， lossclc为分类总损失； lossrect160、lossobj160、lossclc160分别为第一特征图的预测框损失、 置信度损失、 分类损失； lossrect80、lossobj80、lossclc80分别为第二特征图的预测框损失、 置信度损失、 分类损失； lossrect40、lossobj40、lossclc40分别为第三特征图的预测框损失、 置信度损失、 分类损失；权　利　要　求　书 1/2 页 2 CN 114782437 B 2lossrect20、lossobj20、lossclc20分别为第四特征图的预测框损失、 置信度损失、 分类损失； a1、 a2、a3、a4依次为第一至第四特 征图的权 重， 其中， a1>a2=a3>a4， 且a1<a2+a3。 6.根据权利要求3所述的一种基于人工智能的电脑主板质量检测方法， 其特征在于， 所 述主板质量检测模型用于将待检测主板的图像进 行切片后再进行特征提取， 获得第一至第 四特征图。 7.根据权利要求3所述的一种基于人工智能的电脑主板质量检测方法， 其特征在于， 所 述主板质量检测模型包括分类矫正模块， 所述分类矫正模块用于对输出通道预测常数权重 并进行加权， 分类矫 正模块的公式为： 其中， 所述 为各像素点的加权总和， H为池化窗口的高， W为池化 窗口的宽，Fsq(pixeli)表示进行全局 加权平均池化操作， s为池化窗口 的输出值。 8.根据权利要求1所述的一种基于人工智能的电脑主板质量检测方法， 其特征在于， 统 计风扇正确连接、 错误连接的主板数量， 以及主板固定螺丝型号正确的、 错误的主板数量， 生成统计报表。 9.一种基于人工智能的电脑主板质量检测系统， 其特 征在于， 包括： 图像采集单 元， 用于采集待检测主板的图像； 分析单元， 用于构建、 训练主板质量检测模型， 利用训练后的主板质量检测模型处理所 述待检测主板的图像， 判断所述待检测主板的图像对应的待检测主板的风扇是否连接正 确、 以及主板固定螺丝型号是否正确， 其中， 所述主板质量检测模型用于对待检测主板的图 像进行四次下采样和三次上采样， 并融合第三次上采样得到的特征图和 第一次下采样得到 的特征图， 获得检测尺度为16 0×160的第一特 征图； 输出单元， 用于根据判断结构生成统计报表， 所述统计报表包括风扇正确连接、 错误连 接的主板数量， 以及主板固定 螺丝型号正确的、 错 误的主板数量； 所述图像采集单元包括壳体 （1） ， 所述壳体 （1） 顶部设置有光源 （5） 和摄像机 （6） ， 壳体 （1） 中穿过有传送带 （2） ， 所述传送带 （2） 上搭载有若干盛放板 （3） ， 所述盛放板 （3） 用于固 定、 放置待检测主板 （4） ， 盛放板 （3） 的底部安装有驱动装置 （10） ， 盛放板 （3） 的外侧还  设置 有限位件 （11） ， 所述盛放板 （3） 固定有一个或多个滑动稳定机构， 所述滑动稳定机构包括固 定安装在盛放板 （3） 侧壁上的套筒 （32） ， 所述套筒 （32） 内设置有弹簧 （34） ， 所述弹簧 （34） 上 连接有能够沿所述套筒 （32） 滑动的伸缩杆， 所述伸缩杆 （33） 上设置有滚轮 （31） ， 在所述盛 放板 （3） 相对于所述限位件 （11） 转动的过程中， 所述弹簧 （34） 处于压缩状态， 且所述滚轮 （31） 与限位件 （1 1） 的内壁抵 接。权　利　要　求　书 2/2 页 3 CN 114782437 B 3