基于 YOLOv8 与改进ResNet50 的电子元器件检测与分类
摘 要：电子元器件种类繁多且没有一致的细粒度分类标准，为快速满足元器件在不同粒度下的分类需求，提出一种基于深度学习的 YOLOR-ECA(YOLOv8 and ResNet50 with efficient channel attention)电子元器件检测算法。首先采用 YOLOv8 网络定位元器件位置，然后采用 ResNet50 网络对定位获取的元器件进行识别分类，通过元器件种类的增减满足不同细粒度的分类标准。为提升模型对尺寸小、特征相似元器件的细节特征提取能力，分类网络引入 ECA 注意力机制，并对残差结构的捷径连接部分进行改进；为避免神经元失活，采用 GELU(Gaussian error linear units)激活函数。实验结果表明，改进的 YOLOR-ECA 模型的检测准确率为 96.6%，并且对于小尺寸元器件的识别精度最高可达 100%，对于具有特征相似性元器件的误检率最低可降到 0.01%，能实现电子元器件在不同细粒度分类标准下的高效检测。
论文下载：