(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 202211054540.9 (22)申请日 2022.08.31 (71)申请人 江苏信息职业 技术学院 地址 214153 江苏省无锡市惠山区钱 藕路1 号 (72)发明人 夏玉果　 (74)专利代理 机构 南京业腾知识产权代理事务 所(特殊普通 合伙) 32321 专利代理师 韦康 (51)Int.Cl. G06V 10/764(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 基于多尺度注意力机制的电子元器件深度 迁移识别方法 (57)摘要 本发明公开了基于多尺度注意力机制的电 子元器件深度迁移识别方法， 包括通过在注意力 模块中， 采用金字塔池化思想， 以不同尺寸对输 入特征图进行最大池化， 再对不同尺 寸的特征图 使用均值池化， 从而关注不同大小的通道特征， 然后， 在空间注意力模块中， 采用标准卷积和空 洞卷积相结合的方法， 选择不同的空洞率， 增大 特征图视野， 关注更多的空特征信， 最后， 引入预 训练模型， 进一步提升系统在 小样本上的识别性 能。 与现有的许多方法相比， 本发明可 以更好地 提取元器件的关键特 征， 得到更好的识别效果。 权利要求书2页 说明书6页 附图3页 CN 115375946 A 2022.11.22 CN 115375946 A 1.基于多尺度注意力机制的电子元器件深度迁移识别方法， 其特征在于， 包括以下步 骤： S1、 选用Xcepti on作为主干网络， 输入电子元器件特 征图的数据集； S2、 引入多尺度注意力机制， 将多尺度注意力模块放在Xception网络的输出层之后以 及池化层之前； S3、 根据图片的不同尺度的通道和空间位置信 息， 结合空间金字塔池化的思想， 重新为 特征图赋予权 重； S4、 将Xception在ImageNet数据集上预训练的模型参数直接迁移到所述多尺度注意力 机制模型中， 并在原有参数 的基础上， 经过多尺度注意力模块在不同尺度上为高层特征加 权， 在迭代次数较少的情况 下获取训练效果； S5、 最后在决策分类层识别出对应的元器件种类。 2.根据权利要求1所述的基于多尺度注意力机制的电子元器件深度迁移识别方法， 其 特征在于： 所述Xception模型包括输入流、 中间流和输出流部分， 共包括14个模块， 且所述 模块的结构包括若干个深度可分离卷积和最大池化层。 3.根据权利要求2所述的基于多尺度注意力机制的电子元器件深度迁移识别方法， 其 特征在于： 除了前后两个所述模块外， 其 他所述模块采用残差连接 。 4.根据权利要求1所述的基于多尺度注意力机制的电子元器件深度迁移识别方法， 其 特征在于： 所述注意力模块包括 通道注意力模块和空间注意力模块。 5.根据权利要求4所述的基于多尺度注意力机制的电子元器件深度迁移识别方法， 其 特征在于： 所述通道注意力模块通过设输入特征图F， 首先在类似金字塔池化层中， 进行不 同尺度的最大池化操作Fm， 池化的尺寸分别为1 ×1×C、 2×2×C、 3×3×C、 4×4×C； 为了进 一步提取图片的高层特征， 将最大池化后的特征 图分别进行全局均值池化Fn， 然后将得到 的4个特征相加， 并输入多层感知机， 最后经过Sigmoid函数生成通道注意力权重MC(F)， 公 式表示为： Fm＝MaxPool(F)， m∈{1， 2， 3， 4} Fn＝AvgPool(Fm) 其中， Fm表示最大池化， m表示不同池化尺寸， Fn表示全局均值池化， MLP表示多层感知 机， σ 表示Sigmo id函数， MC(F)表示通道注意力权 重。 6.根据权利要求4所述的基于多尺度注意力机制的电子元器件深度迁移识别方法， 其 特征在于： 所述多尺度空间注意力模块包括2个标准卷积和3个空洞卷积， 通过输入的特征 图F∈RH×W×C， 经过1×1的标准卷积 压缩通道维数并提出特征图细节信息， 然后利用3个3 ×3 的空洞卷积层来提取不同尺度的空间信息， 设置不同的膨胀率， 增大感受野， 再经过1 ×1的 标准卷积生成1 维的空间特 征图RH×W×1， 最后经过Sigmoid函数生成空间注意力权 重Ms(F)， Ms(F)＝σ(f(i)1×1(f(i)3×3(f(i)3×3(f(i)3×3f(i)1×1(F)))))) 其中Ms(F)表示空间注意力权重， σ 表示Sigmoid函数， f(i)表示卷积运算， r表示空洞卷 积的膨胀率， k表示感受野大小， 当r＝1时， 空洞卷积就是标准卷积， 当r＞1时， 空洞 卷积是权　利　要　求　书 1/2 页 2 CN 115375946 A 2在标准卷积的卷积核中每两个相邻权重之间插入r ‑1个0， 此时感受野的大小为(k ‑1)×r+ 1。权　利　要　求　书 2/2 页 3 CN 115375946 A 3