元器件的声扫缺陷检测方法、装置、设备和存储介质

技术领域

本申请涉及元器件检测技术领域，特别是涉及一种元器件的声扫缺陷检测方法、装置、设备和存储介质。

背景技术

随着半导体制造和封装技术的发展，电子元器件已然成为电子信息产业的中流砥柱，电子元器件的技术水平和质量状态也关乎着电子信息产业的发展。为满足便携化、多功能、高整合的市场需求，电子设备不断缩减产品体积，促使其中的电子元器件越来越微型化。为了降低电子设备的失效率，减少使用方的风险，对电子元器件进行缺陷检测是十分必要的。

传统技术中，通常使用声学扫描显微镜检查技术(简称声扫)对电子元器件的缺陷检测，得到对应的声扫图像，进一步的，依赖于人工对声扫图像进行检测。

然而，人工检测主观性强、成本高，且人工检测的准确率和速度已无法满足工业要求。因此亟需一种可以高效、准确进行电子元器件缺陷检测的技术方案。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高对电子元器件进行缺陷检测的效率和精确度的元器件的声扫缺陷检测方法、装置、设备和存储介质。

第一方面，本申请提供了一种元器件的声扫缺陷检测方法，该方法包括：

获取待检测元器件的目标声扫图像；

将目标声扫图像输入至目标检测模型中的特征提取网络中，提取目标声扫图像的目标特征图；其中，特征提取网络中包括注意力模块；

将目标特征图输入至目标检测模型中的检测头网络中，得到待检测元器件的缺陷检测结果。

在其中一个实施例中，目标检测模型中的特征提取网络包括基础网络和金字塔网络，基础网络包括注意力模块；

将目标声扫图像输入至目标检测模型中的特征提取网络，提取目标声扫图像的目标特征图，包括：

将目标声扫图像输入至基础网络中，提取目标声扫图像的基础特征图；

将基础特征图输入至金字塔网络中，得到目标声扫图像的目标特征图。

在其中一个实施例中，基础网络包括自上而下的多个网络层，注意力模块位于任意两个网络层之间，且将连接注意力模块输入端的网络层作为目标网络层；

将目标声扫图像输入至基础网络中，提取目标声扫图像的基础特征图，包括：

将目标声扫图像输入至基础网络的首个网络层中，提取目标网络层输出的中间特征图；

采用注意力模块，对中间特征图进行更新；

将更新后的中间特征图输入至注意力模块连接的下一网络层，得到目标声扫图像的基础特征图。

在其中一个实施例中，注意力模块包括通道注意力模块和空间注意力模块；

采用注意力模块，对中间特征图进行更新，包括：

将中间特征图输入至通道注意力模块中，得到通道权重；

采用通道权重，对中间特征图进行更新；

将更新后的中间特征图输入至空间注意力模块中，得到空间权重；

采用空间权重，对更新后的中间特征图进行更新。

在其中一个实施例中，该方法还包括：

获取样本声扫图像；

采用样本声扫图像，对初始模型进行训练，得到目标检测模型。

在其中一个实施例中，获取样本声扫图像，包括：

对原始声扫图像依次进行阈值分割、去噪、增强对比度和缺陷标注处理，得到样本声扫图像。

第二方面，本申请还提供了一种元器件的声扫缺陷检测装置，该装置包括：

图像获取模块，用于获取待检测元器件的目标声扫图像；

特征图提取模块，用于将目标声扫图像输入至目标检测模型中的特征提取网络中，提取目标声扫图像的目标特征图；其中，特征提取网络中包括注意力模块；

缺陷检测模块，用于将目标特征图输入至目标检测模型中的检测头网络中，得到待检测元器件的缺陷检测结果。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待检测元器件的目标声扫图像；

将目标声扫图像输入至目标检测模型中的特征提取网络中，提取目标声扫图像的目标特征图；其中，特征提取网络中包括注意力模块；

将目标特征图输入至目标检测模型中的检测头网络中，得到待检测元器件的缺陷检测结果。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取待检测元器件的目标声扫图像；

将目标声扫图像输入至目标检测模型中的特征提取网络中，提取目标声扫图像的目标特征图；其中，特征提取网络中包括注意力模块；

将目标特征图输入至目标检测模型中的检测头网络中，得到待检测元器件的缺陷检测结果。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取待检测元器件的目标声扫图像；

将目标声扫图像输入至目标检测模型中的特征提取网络中，提取目标声扫图像的目标特征图；其中，特征提取网络中包括注意力模块；

将目标特征图输入至目标检测模型中的检测头网络中，得到待检测元器件的缺陷检测结果。

上述元器件的声扫缺陷检测方法、装置、设备和存储介质，通过声扫技术对待检测元器件进行扫描，获取待检测元器件的目标声扫图像；将获取到的目标声扫图像输入至目标检测模型中包括注意力模块的特征提取网络中，提取目标声扫图像的目标特征图；进一步的，将目标特征图输入装置目标检测模型中的检测头网络中，得到待检测元器件的缺陷检测结果。上述方案，通过引入训练好的目标检测模型，提高了对待检测元器件进行缺陷检测的效率；进一步的，在目标检测模型中的特征提取网络中引入注意力模块，能够使提取的目标特征图所包含的特征更为全面且精准，进而提高了对待检测元器件进行缺陷检测的精确度。

附图说明

图1为一个实施例中元器件的声扫缺陷检测方法的流程示意图；

图2为一个实施例中YOLOv4模型的结构框图；

图3为一个实施例中提取目标声扫图像的基础特征图的流程示意图；

图4为一个实施例中CBAM注意力模块的结构框图；

图5为一个实施例中SENet注意力模块的结构框图；

图6为一个实施例中获得目标检测模型的流程示意图；

图7为另一个实施例中元器件的声扫缺陷检测方法的流程示意图；

图8为一个实施例中元器件的声扫缺陷检测装置的结构框图；

图9为另一个实施例中元器件的声扫缺陷检测装置的结构框图；

图10为又一个实施例中元器件的声扫缺陷检测装置的结构框图；

图11为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的元器件的声扫缺陷检测方法，可以适用于如何对待检测元器件进行内部缺陷检测。可选的，该方法可应用于服务器环境中。具体的，服务器通过与声扫设备进行交互，获取到待检测元器件对应的目标声扫图像；进一步的，将目标声扫图像输入至目标检测模型中，得到待检测元器件的缺陷检测结果。其中，数据存储系统可以存储服务器需要处理的声扫图像数据等。数据存储系统可以集成在服务器上，也可以放在云上或其他网络服务器上。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图1所示，提供了一种元器件的声扫缺陷检测方法，以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：

S101，获取待检测元器件的目标声扫图像。

在本实施例中，待检测元器件即为需要进行缺陷检测的元器件；其中，待检测元器件可以为一个或多个。目标声扫图像即为通过声扫技术对待检测元器件进行扫描得到的声扫图像。

具体的，声扫设备对待检测元器件进行扫描，得到待检测元器件对应的目标声扫图像；服务器通过与声扫设备进行交互，对待检测元器件的目标声扫图像进行获取。

S102，将目标声扫图像输入至目标检测模型中的特征提取网络中，提取目标声扫图像的目标特征图。

其中，目标检测模型即为预先训练好的用来对元器件进行内部缺陷检测的模型。目标检测模型中包括特征提取网络；进一步的，特征提取网络中包括注意力模块。特征提取网络用于对目标声扫图像的特征进行提取。

目标特征图即为从目标声扫图像中提取出的待检测元器件内部存在缺陷位置、缺陷类型等相关特征的特征图；缺陷类型可以为裂纹、空洞或分层等。

具体的，获取到待检测元器件的目标声扫图像后，将目标声扫图像输入至目标检测模型中的特征提取网络中；进一步的，由特征提取网络对目标声扫图像进行特征提取处理，进而得到目标声扫图像对应的目标特征图。

S103，将目标特征图输入至目标检测模型中的检测头网络中，得到待检测元器件的缺陷检测结果。

在本实施例中，目标检测模型还包括检测头网络。检测头网络用来根据目标特征图，得到待检测元器件的缺陷检测结果。其中，缺陷检测结果可以包括待检测元器件内部存在的缺陷类型、缺陷位置等信息。进一步的，缺陷检测结果还可以包括对缺陷进行标注的图像。

具体的，将提取出的目标特征图输入至检测头网络中，由检测头网络对目标特征图进行处理，进而得到待检测元器件的缺陷检测结果。

上述元器件的声扫缺陷检测方法，通过声扫技术对待检测元器件进行扫描，获取待检测元器件的目标声扫图像；将获取到的目标声扫图像输入至目标检测模型中包括注意力模块的特征提取网络中，提取目标声扫图像的目标特征图；进一步的，将目标特征图输入装置目标检测模型中的检测头网络中，得到待检测元器件的缺陷检测结果。上述方案，通过引入训练好的目标检测模型，提高了对待检测元器件进行缺陷检测的效率；进一步的，在目标检测模型中的特征提取网络中引入注意力模块，能够使提取的目标特征图所包含的特征更为全面且精准，进而提高了对待检测元器件进行缺陷检测的精确度。

在一个实施例中，在上述实施例的基础上，目标检测模型中的特征提取网络包括基础网络和金字塔网络。其中，基础网络包括注意力模块。进一步的，对上述S102进行细化。

可选的，将目标声扫图像输入至基础网络中，提取目标声扫图像的基础特征图。其中，基础网络可以包括多个网络层。基础特征图即为经过基础网络处理后的特征图。

具体的，获取到待检测元器件的目标声扫图像后，将目标声扫图像输入至基础网络中，经过基础网络中的多个网络层以及注意力模块处理后，得到基础特征图。例如，如图2所示，在目标检测模型为YOLOv4模型的情况下，基础网络可以为YOLOv4模型中的主干网络。目标声扫图像输入至YOLOv4模型中的主干网络中，利用卷积不断地进行特征提取，目标声扫图像的宽和高连续被压缩，而通道数不断得到扩张，最终可以得到多个尺寸不同的基础特征图(例如76×76、38×38、19×19等)。

进一步的，将基础特征图输入至金字塔网络中，得到目标声扫图像的目标特征图。其中，金字塔网络包括自下向上的上采样层，和自上向下的下采样层，例如，金字塔网络可以为YOLOv4模型中的颈部网络(即加强特征提取网络)。目标特征图即为基础特征图经过金字塔网络进一步处理得到的特征图。

具体的，得到基础特征图后，将基础特征图输入至金字塔网络中经过金字塔网络中的多个采样层处理后，得到加强特征提取的目标特征图。例如，金字塔网络可以为YOLOv4模型中的颈部网络。不同尺寸的基础特征图输入至不同采样层中进行加强特征提取处理，得到目标特征图。其中，颈部网络中还可以包括SPP模块，将较小尺寸(例如19×19)的基础特征图输入至SPP模块中，利用不同池化核大小(例如13×13、9×9、5×5、1×1)的最大池化对较小尺寸的基础特征图进行处理，进一步输入至采样层，进行加强特征提取，进而得到目标特征图。

可以理解的是，将目标声扫图像输入至基础网络，得到基础特征图；进一步的，将基础特征图输入至金字塔网络，经过加强特征处理后，得到目标特征图，使对待检测元器件的目标声扫图像的特征提取更加准确，快速。

在上述实施例的基础上，在一个实施例中，基础网络包括自上而下的多个网络层，注意力模块位于任意两个网络层之间，比如图2中所示，YOLOv4模型中的基础网络(即主干网络)为CSPDarknet53，由自上而下的四个残差网络层(Resblock_body)，以及一个注意力模块组成，注意力模块可以位于第一个残差网络层与第二个残差网络层之间。

可选的，本实施例中将连接注意力模块输入端的网络层作为目标网络层，例如，将第二个残差网络层作为目标网络层。

进一步的，如图3所示，对上述实施例中，将目标声扫图像输入至基础网络中，提取目标声扫图像的基础特征图进行细化，具体包括以下步骤。

S301，将目标声扫图像输入至基础网络的首个网络层中，提取目标网络层输出的中间特征图。

具体的，获取到待检测元器件的目标声扫图像后，将目标声扫图像输入至基础网络的首个网络层中；进一步的，基础网络层按照自上而下的顺序，对目标声扫图像进行处理，进而提取目标网络层输出的中间特征图。

S302，采用注意力模块，对中间特征图进行更新。

在本实施例中，注意力模块即为注意力机制模块，用于对中间特征图进行注意力资源分配。

具体的，将目标网络层输出的中间特征图输入至注意力模块中，注意力模块对中间特征图进行处理，并对处理后的中间特征图进行更新。

可选的，若注意力模块中包括通道注意力模块和空间注意力模块，例如CBAM注意力模块，如图4所示，提供了一种可实现方式为，将中间特征图输入至通道注意力模块中，得到通道权重；采用通道权重，对中间特征图进行更新；将更新后的中间特征图输入至空间注意力模块中，得到空间权重；采用空间权重，对更新后的中间特征图进行更新。

具体的，将尺寸为H×W×C的中间特征图A输入至通道注意力模块中，分别经过全局最大池化和全局平均池化两种不同的池化方式计算，进而获得两个1×1×C的通道特征；进一步的，将两个通道特征输入至一个由多层感知机(MLP)和一个隐藏层组合的共享的两层神经网络，第一层神经元个数为C/r，第二层神经元个数为C。将输出的两个特征的元素进行乘积加和操作后，经过激活函数ReLU，得到通道权重；进一步的，将通道权重与中间特征图A相乘，对中间特征图A进行更新，进而得到更新后的中间特征图B。

进一步的，将经过通道注意力模块更新后的中间特征图B输入至空间注意力模块中，对更新后的中间特征图B的各通道先后使用全局最大池化和全局平均池化，进行维度上的压缩来聚合通道信息，进而使用激活函数ReLU，得到空间权重；进一步的，将空间权重与中间特征图B相乘，对中间特征图B进行更新，得到更新后的中间特征图C。

可选的，若注意力模块中不包括空间注意力模块，例如SENet注意力模块，如图5所示，可以将尺寸为H×W×C的中间特征图输入至注意力模块中，通过卷积结构，对中间特征图的各通道进行卷积；进一步的，对卷积后的特征图进行压缩和激励处理，得到通道权重；将通道权重与中间特征图相乘，对中间特征图进行更新，得到更新后的特征图。

S303，将更新后的中间特征图输入至注意力模块连接的下一网络层，得到目标声扫图像的基础特征图。

具体的，将经注意力模块更新后的中间特征图输入至与注意力模块相连的下一网络层，下一网络层对更新后的中间特征图进行处理，生成目标声扫图像的基础特征图。例如，将经注意力模块更新后的中间特征图输入至YOLOv4模型中的基础网络中与注意力模块相连的下一残差网络层，对更新后的中间特征图进行处理，例如将更新后的中间特征图压缩成尺寸为76×76的特征图，将压缩后的特征图作为基础特征图。

可以理解的是，将目标声扫图像输入至基础网络中，对目标声扫图像进行处理，得到中间特征图；进一步的，将中间特征图输入至注意力模块中进行处理，进而得到更新后的中间特征图；将更新后的中间特征图输入至与注意力模块相连的下一网络层，进而得到目标声扫图像的基础特征图。通过在基础网络中引入注意力模块，增强了对待检测元器件的内部缺陷的关注，提升了检测精度。

在一个实施例中，如图6所示，本方法还可以包括以下步骤：

S601，获取样本声扫图像。

在本实施例中，样本声扫图像即为通过声扫技术对样本元器件进行采集得到的声扫图像。

具体的，通过声扫设备对样本元器件进行采集，进一步的，服务器与声扫设备交互，对样本声扫图像进行获取。

可选的，可以对原始声扫图像依次进行阈值分割、去噪、增强对比度和缺陷标注处理，得到样本声扫图像。

具体的，声扫设备可以同时对多个样本元器件进行扫描，并生成一个包含多个样本元器件的声扫图像的原始图像。首先，可以通过阈值分割，对原始图像进行切分，提取单个样本元器件对应的单个声扫图像；由于声扫图像在成像过程中会产生白点噪声，可以对样本声扫图像进行去噪处理，例如采用高斯滤波方法，在保留声扫图像中的边缘细节特征的同时，消除样本声扫图像的白点噪声；进一步的，对样本声扫图像进行增强对比度的处理，例如使用直方图均衡对滤波后的样本声扫图像进行增强，增强样本声扫图像中缺陷区域与背景区域的对比度。最终，可以得到经过预处理的样本声扫图像。

进一步的，在获取到经过预处理的样本声扫图像后，可以将经过预处理的样本声扫图像的分辨率进行统一，例如，将原本分辨率为1530×890像素的样本声扫图像统一更改为608×608像素的样本声扫图像；进一步的，通过引入数据标注工具(例如LabelImg)，对样本声扫图像中的缺陷位置和缺陷类型进行标记，并生成注释文件。其中，生成的注释文件可以为XML格式文件。

可选的，可以建立一个数据库，将带有标签信息的样本声扫图像存入数据库中，为后续模型训练提供数据基础。

S602，采用样本声扫图像，对初始模型进行训练，得到目标检测模型。

在本实施例中，初始模型即为未经过训练的检测模型。

具体的，获取到样本声扫图像后，可以将样本声扫图像分为训练集、验证集和测试集。通过训练集和验证集调整初始模型的相关参数，对初始模型进行训练，来得到目标检测模型。例如，可以将样本声扫图像中的20％作为测试集数据。在剩下的样本声扫图像中，将90％的样本声扫图像随机作为训练集数据，将10％的样本声扫图像作为验证集数据，对初始模型进行训练。

可选的，可以通过聚类方法，对目标检测模型进行锚框优化。例如，可以通过K-Means++算法，对YOLOv4模型中的头部网络进行锚框优化。示例性的，若待检测元器件的裂纹缺陷的最大横纵比可达到1:6，空洞缺陷的最大横纵比约为1:1，然而，初始YOLOv4模型中使用的固定宽度和高度的锚框并不适用于声扫图像数据。因此，可以使用K-Means++算法，对锚框大小进行优化。通过K-Means++算法后生成的锚框大小可以为(29,30)、(34,105)、(52,52)、(78,89)、(79,63)、(82,74)、(109,34)、(252,222)、(256,246)等尺寸。根据多尺度特征层和感受野之间的关系，深度特征具有更大的感受野，可以对应于更大的锚框；浅层特征的感受野则较小，可以对应小的锚框。

可以理解的是，通过对原始声扫图像依次进行阈值分割、去噪、增强对比度和缺陷标注等预处理，并将预处理后的样本声扫图像构建数据库，对初始模型进行模型训练，进而得到目标检测模型，提升了对待检测元器件进行缺陷检测的精确度。

在一个实施例中，如图7所示，提供了一种元器件的声扫缺陷检测方法的可选实例。具体过程如下：

S701，对原始声扫图像依次进行阈值分割、去噪、增强对比度和缺陷标注处理，得到样本声扫图像。

S702，采用样本声扫图像，对初始模型进行训练，得到目标检测模型。

S703，获取待检测元器件的目标声扫图像。

S704，将目标声扫图像输入至基础网络的首个网络层中，提取目标网络层输出的中间特征图。

S705，将中间特征图输入至通道注意力模块中，得到通道权重。

S706，采用通道权重，对中间特征图进行更新。

S707，将更新后的中间特征图输入至空间注意力模块中，得到空间权重。

S708，采用空间权重，对更新后的中间特征图进行更新。

S709，将更新后的中间特征图输入至注意力模块连接的下一网络层，得到目标声扫图像的基础特征图。

S710，将目标特征图输入至目标检测模型中的检测头网络中，得到待检测元器件的缺陷检测结果。

上述S701-S710的具体过程可以参见上述方法实施例的描述，其实现原理和技术效果类似，在此不再赘述。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的元器件的声扫缺陷检测方法的元器件的声扫缺陷检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个元器件的声扫缺陷检测装置实施例中的具体限定可以参见上文中对于元器件的声扫缺陷检测方法的限定，在此不再赘述。

在一个实施例中，如图8所示，提供了一种元器件的声扫缺陷检测装置1，包括：图像获取模块10、特征提取模块20和缺陷检测模块30，其中：

图像获取模块10，用于获取待检测元器件的目标声扫图像。

特征图提取模块20，用于将目标声扫图像输入至目标检测模型中的特征提取网络中，提取目标声扫图像的目标特征图；其中，特征提取网络中包括注意力模块。

缺陷检测模块30，用于将目标特征图输入至目标检测模型中的检测头网络中，得到待检测元器件的缺陷检测结果。

在一个实施例中，目标检测模型中的特征提取网络包括基础网络和金字塔网络，基础网络包括注意力模块；在上述图8的基础上，如图9所示，上述图8中的特征图提取模块20可以包括：

第一提取单元21，用于将目标声扫图像输入至基础网络中，提取目标声扫图像的基础特征图。

第二提取单元22，用于将基础特征图输入至金字塔网络中，得到目标声扫图像的目标特征图。

在一个实施例中，基础网络包括自上而下的多个网络层，注意力模块位于任意两个网络层之间，且将连接注意力模块输入端的网络层作为目标网络层；在上述图8或图9的基础上，如图10所示，上述图9中的第一提取单元21具体可以包括：

第一子单元211，用于将目标声扫图像输入至基础网络的首个网络层中，提取目标网络层输出的中间特征图；

第二子单元212，用于采用注意力模块，对中间特征图进行更新；

第三子单元213，用于将更新后的中间特征图输入至注意力模块连接的下一网络层，得到目标声扫图像的基础特征图。

在一个实施例中，注意力模块包括通道注意力模块和空间注意力模块；上述图10中的第二子单元212具体可以用于：

将中间特征图输入至通道注意力模块中，得到通道权重；采用通道权重，对中间特征图进行更新；将更新后的中间特征图输入至空间注意力模块中，得到空间权重；采用空间权重，对更新后的中间特征图进行更新。

在一个实施例中，上述元器件的声扫缺陷检测装置还可以包括：

模型训练模块，用于获取样本声扫图像；采用样本声扫图像，对初始模型进行训练，得到目标检测模型。

在一个实施例中，上述模型训练模块具体还可以用于：

对原始声扫图像依次进行阈值分割、去噪、增强对比度和缺陷标注处理，得到样本声扫图像。

上述元器件的声扫缺陷检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基础特征图、目标特征图等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种元器件的声扫缺陷检测方法。

本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取待检测元器件的目标声扫图像；

将目标声扫图像输入至目标检测模型中的特征提取网络中，提取目标声扫图像的目标特征图；其中，特征提取网络中包括注意力模块；

将目标特征图输入至目标检测模型中的检测头网络中，得到待检测元器件的缺陷检测结果。

在一个实施例中，目标检测模型中的特征提取网络包括基础网络和金字塔网络，基础网络包括注意力模块；处理器执行计算机程序将目标声扫图像输入至目标检测模型中的特征提取网络，提取目标声扫图像的目标特征图的逻辑时，还实现以下步骤：

将目标声扫图像输入至基础网络中，提取目标声扫图像的基础特征图；

将基础特征图输入至金字塔网络中，得到目标声扫图像的目标特征图。

在一个实施例中，基础网络包括自上而下的多个网络层，注意力模块位于任意两个网络层之间，且将连接注意力模块输入端的网络层作为目标网络层；处理器执行计算机程序将目标声扫图像输入至基础网络中，提取目标声扫图像的基础特征图的逻辑时，还实现以下步骤：

将目标声扫图像输入至基础网络的首个网络层中，提取目标网络层输出的中间特征图；

采用注意力模块，对中间特征图进行更新；

将更新后的中间特征图输入至注意力模块连接的下一网络层，得到目标声扫图像的基础特征图。

在一个实施例中，注意力模块包括通道注意力模块和空间注意力模块；处理器执行计算机程序采用注意力模块，对中间特征图进行更新的逻辑时，还实现以下步骤：

将中间特征图输入至通道注意力模块中，得到通道权重；

采用通道权重，对中间特征图进行更新；

将更新后的中间特征图输入至空间注意力模块中，得到空间权重；

采用空间权重，对更新后的中间特征图进行更新。

在一个实施例中，处理器执行计算机程序时，还实现以下步骤：

获取样本声扫图像；

采用样本声扫图像，对初始模型进行训练，得到目标检测模型。

在一个实施例中，处理器执行计算机程序获取样本声扫图像的逻辑时，还实现以下步骤：

对原始声扫图像依次进行阈值分割、去噪、增强对比度和缺陷标注处理，得到样本声扫图像。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待检测元器件的目标声扫图像；

将目标声扫图像输入至目标检测模型中的特征提取网络中，提取目标声扫图像的目标特征图；其中，特征提取网络中包括注意力模块；

将目标特征图输入至目标检测模型中的检测头网络中，得到待检测元器件的缺陷检测结果。

在一个实施例中，目标检测模型中的特征提取网络包括基础网络和金字塔网络，基础网络包括注意力模块；计算机程序将目标声扫图像输入至目标检测模型中的特征提取网络，提取目标声扫图像的目标特征图的逻辑被处理器执行时，还实现以下步骤：

将目标声扫图像输入至基础网络中，提取目标声扫图像的基础特征图；

将基础特征图输入至金字塔网络中，得到目标声扫图像的目标特征图。

在一个实施例中，基础网络包括自上而下的多个网络层，注意力模块位于任意两个网络层之间，且将连接注意力模块输入端的网络层作为目标网络层；计算机程序将目标声扫图像输入至基础网络中，提取目标声扫图像的基础特征图的逻辑被处理器执行时，还实现以下步骤：

将目标声扫图像输入至基础网络的首个网络层中，提取目标网络层输出的中间特征图；

采用注意力模块，对中间特征图进行更新；

将更新后的中间特征图输入至注意力模块连接的下一网络层，得到目标声扫图像的基础特征图。

在一个实施例中，注意力模块包括通道注意力模块和空间注意力模块；计算机程序采用注意力模块，对中间特征图进行更新的逻辑被处理器执行时，还实现以下步骤：

将中间特征图输入至通道注意力模块中，得到通道权重；

采用通道权重，对中间特征图进行更新；

将更新后的中间特征图输入至空间注意力模块中，得到空间权重；

采用空间权重，对更新后的中间特征图进行更新。

在一个实施例中，计算机程序被处理器执行时，还实现以下步骤：

获取样本声扫图像；

采用样本声扫图像，对初始模型进行训练，得到目标检测模型。

在一个实施例中，计算机程序获取样本声扫图像的逻辑被处理器执行时，还实现以下步骤：

对原始声扫图像依次进行阈值分割、去噪、增强对比度和缺陷标注处理，得到样本声扫图像。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取待检测元器件的目标声扫图像；

将目标声扫图像输入至目标检测模型中的特征提取网络中，提取目标声扫图像的目标特征图；其中，特征提取网络中包括注意力模块；

将目标特征图输入至目标检测模型中的检测头网络中，得到待检测元器件的缺陷检测结果。

在一个实施例中，目标检测模型中的特征提取网络包括基础网络和金字塔网络，基础网络包括注意力模块；计算机程序将目标声扫图像输入至目标检测模型中的特征提取网络，提取目标声扫图像的目标特征图的逻辑被处理器执行时，还实现以下步骤：

将目标声扫图像输入至基础网络中，提取目标声扫图像的基础特征图；

将基础特征图输入至金字塔网络中，得到目标声扫图像的目标特征图。

在一个实施例中，基础网络包括自上而下的多个网络层，注意力模块位于任意两个网络层之间，且将连接注意力模块输入端的网络层作为目标网络层；计算机程序将目标声扫图像输入至基础网络中，提取目标声扫图像的基础特征图的逻辑被处理器执行时，还实现以下步骤：

将目标声扫图像输入至基础网络的首个网络层中，提取目标网络层输出的中间特征图；

采用注意力模块，对中间特征图进行更新；

将更新后的中间特征图输入至注意力模块连接的下一网络层，得到目标声扫图像的基础特征图。

在一个实施例中，注意力模块包括通道注意力模块和空间注意力模块；计算机程序采用注意力模块，对中间特征图进行更新的逻辑被处理器执行时，还实现以下步骤：

将中间特征图输入至通道注意力模块中，得到通道权重；

采用通道权重，对中间特征图进行更新；

将更新后的中间特征图输入至空间注意力模块中，得到空间权重；

采用空间权重，对更新后的中间特征图进行更新。

在一个实施例中，计算机程序被处理器执行时，还实现以下步骤：

获取样本声扫图像；

采用样本声扫图像，对初始模型进行训练，得到目标检测模型。

在一个实施例中，计算机程序获取样本声扫图像的逻辑被处理器执行时，还实现以下步骤：

对原始声扫图像依次进行阈值分割、去噪、增强对比度和缺陷标注处理，得到样本声扫图像。

需要说明的是，本申请所涉及的数据(包括目标声扫图像、基础特征图、目标特征图等数据)，均为经授权或者经过各方充分授权的信息和数据。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。