卷积神经网络，利用现有的ImageNet首先对卷积神经网络进行预训练，得到卷积神经网络的初始参数值，再基于该初始参数，利用采集到的元件图像的样本集再对卷积神经网络进行进一步的训练，从而得到最终的分类器。
[0185]可选地，在本发明的一些可能的实施方式中，在利用ImageNet首先对卷积神经网络进行预训练时，卷积神经网络最后一层的节点数为1000个，当再基于预训练后的神经网络利用元件图像的样本集进行训练时，将卷积神经网络最后一层的节点数改为元件的类别数，如元件共有N类，则将该层改为N个节点。
[0186]可选地，在本发明的一些可能的实施方式中，也可以不利用ImageNet对卷积神经网络进行预训练，可采集较多的元件图像的样本训练卷积神经网络。
[0187]可选地，在本发明的一些可能的实施方式中，所述元件图像的样本集包括:
[0188]所述元件图像的训练样本集和所述元件图像的测试样本集。
[0189]其中，元件图像的训练样本集是用于在训练阶段训练卷积神经网络的，元件图像的测试样本集是用于在训练阶段测试经过训练本来集训练后的卷积神经网络的分类效果的样本集。
[0190]可选地，在本发明的一些可能的实施方式中，卷积神经网络的训练样本集和卷积神经网络的测试样本集在的采集方法一样，可以从所采集到的元件图像的样本集取一部分做元件图像的测试样本集。
[0191]可选地，在本发明的一些可能的实施方式中，在卷积神经网络的训练阶段，若利用卷积神经网络的测试样本集测试得到的分类效果不佳时，可对卷积神经网络进一步训练。
[0192]可以理解，在对卷积神经网络进行训练时，分别利用元件图像的训练样本集对卷积神经网络进行训练，以及利用元件图像的测试样本集对元件图像进行测试将使得对卷积神经网络的训练效果更佳。
[0193]可选地，在本发明的一些可能的实施方式中，所述样本创建模块450包括:
[0194]第一采集单元451，用于采集印刷电路板图像；
[0195]截取单元452，用于以印刷电路板模板图像为参考，在所述印刷电路板图像上截取元件图像并对所述元件图像进行标记以记录所述元件图像的类别；
[0196]第二采集单元453，用于从所述经过标记后的元件图像中采集所述元件图像的样本集。
[0197]可以理解，由于是需要对每个元件进行分类，所以在采集元件图像的样本时，需要截取PCB电路板图像上面每个元件的图像的样本集合进行分类训练。并且，为了对每个元件样本进行区分，所以在训练之前需要对各个元件图像进行标注以区分不同的元件。
[0198]可选地，在本发明的一些可能的实施方式中，可以在生产线上架设摄像头，批量采集不同型号的PCB板卡图像，并以板卡跟踪技术避免重复拍摄某一 PCB板卡。这样每个型号的PCB板卡均包含多个图像样本，每个图像样本对应某一型号的某张PCB板卡，从而这样在获取到的PCB板卡上的元件图像也来自不同板卡上，保证样本具备多样性。
[0199]可选地，在本发明的一些可能的实施方式中，所述样本创建模块440在所述印刷板电路上截取元件图像，包括:
[0200]利用印刷板图像上面的元件的位置信息自动截取元件图像。
[0201]可以理解，当知道元件的位置信息后，则可以根据该位置信息自动截取元件图像。
[0202]可选地，在本发明的一些可能的实施方式中，所述获取元件图像的位置信息可以通过板式文件中所记录的元件的位置信息，或者通过人工标注的位置信息来获取。
[0203]可选地，在本发明的一些可能的实施方式中，所述样本创建模块450对元件图像进行标注包括:
[0204]根据元件类别信息进行标注。
[0205]可以理解，需要对元件的类别进行区分，从而在训练的时候记录元件的类别才能准确地对元件进行漏件检测。
[0206]可选地，在本发明的另一些可能的实施方式中，也可以通过其它能对元件进行区分的方式对元件进行标注。
[0207]可选地，在本发明的另一些可能的实施方式中，所述预处理模块470，
[0208]还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；
[0209]对所述元件图像进行归一化，以触发所述样本创建模块450执行所述采集所述元件图像的样本集的步骤。
[0210]可以理解，与利用卷积神经网络进行测试的过程类似，在采集训练卷积神经网络的样本图像时对图像进行对齐以使元件位于图像的中心位置，并对图像进行归一化，该过程称为对图像的预处理过程，对元件图像进行预处理会使训练效果更好。
[0211 ] 可选地，在本发明的一些可能的实施方式中，在利用卷积神经网络对元件图像进行分类时，如果在训练阶段对元件图像样本进行预处理，那么在利用训练后的卷积神经网络对元件图像测试时，也需要对元件图像进行预处理；如果在训练阶段不对元件图像进行预处理，那么在利用训练后的卷积神经网络对元件图像进行测试时，也不对元件图像进行预处理。
[0212]可以理解的是，本实施例的元件分类装置400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。
[0213]可以看出，本实施例的方案中，元件分类装置400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400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。
[0214]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。
[0215]参见图5，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。如图5所示，本发明第五实施例提供的一种元件分类装置500可以包括:至少一个总线501、与总线相连的至少一个处理器502以及与总线相连的至少一个存储器503。
[0216]其中，处理器502通过总线501，调用存储器503中存储的代码以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；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。
[0217]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。
[0218]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的元件的元件图像；
[0219]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。
[0220]其中，测试图像属于各个类别的概率值表示了该测试图像属于各个类别的可能类，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测试图像的类别，将使得分类结果最为准确。
[0221]可选地，在本发明的一些可能的实施方式中，所述处理器502将测试图像输入经过训练后的卷积神经网络之前，所述处理器502还用于:
[0222]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；
[0223]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。
[0224]可选地，在本发明的一些可能的实施方式中，所述处理器502将元件图像输入经过训练后的卷积神经网络之前，所述处理器502还用于:
[0225]创建所述元件图像的样本集；
[0226]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；
[0227]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。
[0228]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。
[0229]可选地，在本发明的一些可能的实施方式中，所述元件图像的样本集包括:
[0230]所述元件图像的训练样本集和所述