一种元件分类方法及装置的制造方法
【技术领域】
[0001]本发明涉及计算机领域，具体涉及一种元件分类方法及装置。
【背景技术】
[0002]印刷线路板(Printed circuit board，简称PCB板)是指为各种电子元器件提供连接的电路板，随着电子设备越来越复杂，PCB板上的电子元件数量也越来越多，为了对PCB板上的电子元件进行检测，需要对电子元件进行分类，从而对电子元件进行自动标注，以减轻人工制版的工作量，也为后续的元件检测提供元件信息。
[0003]目前，对从PCB板上截取到的、位于元件位置的、包含单个元件的元件图像进行分类时，主要基于传统的机器学习方法学习图像的特征，再利用该特征对元件图像进行分类，但是由于基于传统的机器学习方法学习到的元件图像的特征容易受外界环境的影响，所以在某些场景下，如光照不均匀的情况下，会导致对元件图像的分类效果差。
【发明内容】
[0004]本发明实施例提供了一种元件分类方法及装置，以期可以对元件图像进行准确地分类。
[0005]本发明实施例第一方面提供一种元件分类方法，包括:
[0006]将待分类的元件图像输入经过训练后的卷积神经网络，并计算所述元件图像的高级特征；
[0007]利用所述高级特征计算所述元件图像属于各个类别的概率；
[0008]取所述概率中最大的概率对应的类别为所述元件图像的类别。
[0009]本发明实施例第二方面提供一种元件分类装置，包括:
[0010]第一计算模块，用于将待分类的元件图像输入经过训练后的卷积神经网络，并计算所述元件图像的高级特征；
[0011]第二计算模块，利用所述高级特征计算所述元件图像属于各个类别的概率；
[0012]分类模块，用于取所述概率中最大的概率对应的类别为所述元件图像的类别。
[0013]可以看出，在本发明实施例提供的技术方案中，将待分类的元件图像输入经过训练后的卷积神经网络，并计算所述元件图像的高级特征；利用所述高级特征计算所述元件图像属于各个类别的概率；取所述概率中最大的概率对应的类别为所述元件图像的类别。由于卷积神经网络能学习到元件图像的高级特征，所述本发明实施例利用卷积神经网络对元件图像进行分类时，将使元件图像的采集不受场景约束，分类效果好，准确性高。
[0014]更进一步地，由于卷积神经网络局部权值共享，所以在利用卷积神经网络对元件图像分类的过程中，可以降低计算复杂度，分类效率高。
【附图说明】
[0015]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0016]图Ι-a是本发明第一实施例提供的一种元件分类方法的流程示意图；
[0017]图Ι-b是卷积神经网络的网络结构图；
[0018]图Ι-c是经过训练后的卷积神经网络的网络结构图；
[0019]图2是本发明第二实施例提供的一种元件分类方法的流程示意图；
[0020]图3是本发明第三实施例提供的一种元件分类装置的结构示意图；
[0021]图4是本发明第四实施例提供的一种元件分类装置的结构示意图；
[0022]图5是本发明第五实施例提供的一种元件分类装置的结构示意图。
【具体实施方式】
[0023]本发明实施例提供了一种元件分类方法及装置，以期可以对元件图像进行准确地分类。
[0024]为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0025]本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0026]本发明实施例的一种元件分类方法，一种元件分类方法包括:将待分类的元件图像输入经过训练后的卷积神经网络，并计算所述元件图像的高级特征；利用所述高级特征计算所述元件图像属于各个类别的概率；取所述概率中最大的概率对应的类别为所述元件图像的类别。
[0027]首先参见图1，图1是本发明第一实施例提供的一种元件分类方法的流程示意图。其中，如图1所示，本发明第一实施例提供的一种元件分类方法可以包括:
[0028]S101、将待分类的元件图像输入经过训练后的卷积神经网络，并计算所述元件图像的高级特征。
[0029]其中，参见图Ι-b，图l_b是卷积神经网络的网络结构图。卷积神经网络是一种深度学习网络，卷积神经网络以其局部权值共享的特殊结构在图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。利用卷积神经网络对元件图像进行分类时，首先需要利用大量的样本训练元件分类器，然后再利用训练好的卷积神经网络对元件图像进行分类。由于卷积神经网络可学习到元件图像各个层次的特征，包括低层特征和高级特征，而图像的高级特征不受拍摄场景影响，也即即使在复杂的场景下拍摄的元件图像也能利用高级特征对元件图像进行识别，从而利用该特征可以准确地对元件图像进行分类识别。所以，卷积神经网络计算元件图像的类别时可以分为两个过程，即计算元件图像的高级特征，以及利用该高级特征计算元件图像的类别。
[0030]其中，元件图像是指从PCB板上截取的在某个元件位置的图像，一般来说，该图像为包含该元件的元件图像，但如果在元件漏件的情况下，该元件图像也有可能不包含元件，或在元件插件有误的情况下，该元件图像也有可能为包含其它元件的元件图像。
[0031]可选地，本发明实施例中所指的卷积神经网络为包含N层的卷积神经网络，其中，N为大于1的正整数。其中，该卷积神经网络的前N-1层用于计算元件图像各个层次的特征，该卷积神经网络的第N层用于根据前N-1层计算出来的元件图像的特征计算元件图像的类别。
[0032]优选地，N的值为7。
[0033]优选地，该卷积神经网络的前N-1层计算出来的元件图像的各个层次的特征包括低级特征以及高级特征。
[0034]S102、利用所述高级特征计算所述元件图像属于各个类别的概率。其中，元件图像的类别是指根据PCB板上元件种类的不同对元件图像进行的分类标注，如PCB板上共有100种元件，则元件图像的类别共至少有100种，可用1-100之间的数字对其进行分类标识，也可用其它符号对不同元件图像类别进行分类标识。
[0035]可选地，在本发明的实施例中，可以用各个元件图像的概率值判断待分类的元件图像的类别。
[0036]优选地，对于有N层网络的卷积神经网络，若卷积神经网络的前N-1层用于计算元件图像的各个层次的特征，则该卷积神经网络的第N层用于根据前N-1层计算得到的特征(包括低级特征和高级特征)计算该元件图像属于各个类别的概率，再利用该概率判断元件图像的类别。
[0037]S103、取所述各个类别的概率中最大的概率对应的类别为所述元件图像的类别。
[0038]其中，元件图像属于各个类别的概率值表示了该元件图像属于各个类别的可能性，很显然，概率越大，表示属于该类别的可能性越大，从而取各个类别的概率中最大的概率对应的类别为元件图像的类别，将使得分类结果最为准确。
[0039]可选地，在本发明的一些可能的实施方式中，当元件图像中的元件不存在时，元件图像的类别将为其它，如PCB板上若有100个元件，若以1-100对这100个元件对应的元件图像进行分类，对于漏件的元件图像来说，类别可以为101。
[0040]可以看出，本实施例的方案中，将待分类的元件图像输入经过训练后的卷积神经网络，并计算所述元件图像的高级特征；利用所述高级特征计算所述元件图像属于各个类别的概率；取所述概率中最大的概率对应的类别为所述元件图像的类别。由于卷积神经网络能学习到元件图像的高级特征，所述本发明实施例利用卷积神经网络对元件图像进行分类时，将使元件图像的采集不受场景约束，分类效果好，准确性高。
[0041]更进一步地，由于卷积神经网络局部权值共享，所以在利用卷积神经网络对元件图像分类的过程中，可以降低计算复杂度，分类效率高。
[0042]可选地，在本发明的一些可能的实施方式中，所述将元件图像输入经过训练后的卷积神经网络之前，所述方法还包括:
[0043]利用模板匹配得到所述元件图像中元件的位置并对所述元件图像进行对齐；
[0044]对所述元件图像进行归一化，以触发执行所述将元件图像输入经过训练后的卷积神经网络的步骤。
[0045]可以理解，由于元件图像是从模板图像上截取下来的一块元件图像，为了使神经网络对元件图像的计算更为准确，需要使截取到的元件图像中的元件位于图像的中心位置，并同时对图像的大小进行归一化，这样以保证后续处理的准确性。该过程称为预处理过程。
[0046]可选地，在本发明的一些可能的实施方式中，也可以不对元件图像进行预处理。
[0047]可选地，在本发明的一些可能的实施方式中，所述将元件图像输入经过训练后的卷积神经网络之前，所述