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。
[0144]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包含其它元件的元件图像。
[0145]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I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。
[0146]优选地，N的值为7。
[0147]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。
[0148]第二计算模块320，用于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。
[0149]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。
[0150]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。
[0151]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。
[0152]分类模块330，用于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。
[0153]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。
[0154]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。
[0155]可以理解的是，本实施例的元件分类装置300的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
[0156]可以看出，本实施例的方案中，元件分类装置300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；元件分类装置300再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；并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。
[0157]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。
[0158]请参见图4，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，其中，如图4所示，本发明第四实施例提供的一种元件分类装置400可以包括:
[0159]第一计算模块410、第二计算模块420和分类模块430。
[0160]其中，第一计算模块410，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。
[0161]其中，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。
[0162]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包含其它元件的元件图像。
[0163]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I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。
[0164]优选地，N的值为7。
[0165]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。
[0166]第二计算模块420，用于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。
[0167]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。
[0168]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。
[0169]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。
[0170]分类模块430，用于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。
[0171]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。
[0172]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。
[0173]可选地，在本发明的一些可能的实施方式中，所述元件分类装置400还包括:
[0174]预处理模块440，用于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；
[0175]对所述元件图像进行归一化，以触发所述第一计算模块410执行所述将待分类的元件图像输入经过训练后的卷积神经网络的步骤。
[0176]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。
[0177]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。
[0178]可选地，在本发明的一些可能的实施方式中，所述装置还包括:
[0179]样本创建模块450，用于创建所述元件图像的样本集；
[0180]第一训练模块460，用于利用图像识别数据库预训练所述卷积神经网络，得到所述卷积神经网络初始参数，所述图像识别数据库包含从自然界采集到的各种类别的自然图像；
[0181]第二训练模块470，用于基于所述卷积神经网络初始参数，利用所述样本集进一步训练所述卷积神经网络以对所述卷积神经网络初始参数进行微调，并触发所述第一计算模块410执行所述将待分类的元件图像输入经过训练后的卷积神经网络的步骤。
[0182]其中，元件图像的样本集是指从PCB板上采集到的用于训练卷积神经网络的元件图像，图像识别数据库(ImageNet)是现有的从自然界采集到的包含各种类别的图像基础数据库，虽然ImageNet并非电子元件数据集，但其包含超过22000个类别的1500万张带标注的自然图像，用于预训练卷积神经网络可学习出各层次的通用图像特征，得到较好的卷积神经网络初始参数值。
[0183]可选地，在本发明的一些可能的实施方式中，为了得到较好的分类效果，所以在对卷积神经网络进行训练的时候尽可能多的采集更多的样本对卷积神经网络进行训练，所以需要采集各个场景下拍摄的样本，如在光线不好的情况下拍摄的PCB板样本上截取到的元件图像，以及从不同的位置或者角度拍摄到的样本图像，或者其它复杂场景下拍摄到的样本图像。
[0184]可以理解，在得到分类器之前，首先需要利用足够的样本集对卷积神经网络进行训练，而采集到的元件图像的样本集的数量一般有限，所以为了更好地训练