电子元件极性方向的快速识别、标注的方法和系统的制作方法
【技术领域】
[0001]本发明涉及自动光学检测领域，特别是涉及一种电子元件极性方向的快速识别、标注的方法和系统。
【背景技术】
[0002]目前，对于PCB板，需要在对其上的电子元件进行极性方向判断。现在对于电子元件极性方向判断，主要有两种方法:一是基于元件结构特征的极性方向判断，这种方法是基于特定的元件结构特征，通常只针对某类元件设计，适用性受限，另外，部分结构特征在不同环境下(如光照不同、拍摄角度不同、噪声干扰等)不稳定，导致判断准确率较低;二是基于正反模板匹配的极性方向判断，只要针对每种元件都设定一个模板，但这样可能会因多类别模板混用而导致准确率降低，而且元件只要外观稍有不同就得引入新的模板，可扩展性受限，计算时间也会因模板库的增大而增加。
【发明内容】
[0003]基于此，有必要针对电子元件极性方向判断准确率低、适用性有限的问题，提供一种电子元件极性方向的快速识别、标注的方法和系统。
[0004]—种电子元件极性方向的快速识别方法，包括以下步骤:
[0005]获取包含目标电子元件的图像；
[0006]利用训练后的卷积神经网络对包含目标电子元件的图像数据作前向计算，获得目标电子元件的极性方向类别的分类特征，根据分类特征获取目标电子元件属于各类电子元件的各种极性方向类别的概率分布；
[0007]选取概率最大的极性方向类别作为目标电子元件的极性方向类别。
[0008]根据上述快速识别方法，其是获取包括目标电子元件的图像，再利用训练后的卷积神经网络对其作前向计算，获得目标电子元件的极性方向类别的分类特征，再获取目标电子元件属于各类电子元件的各种极性方向类别的概率分布，选取其中概率最大的极性方向类别作为目标电子元件的极性方向类别。此方案中使用了卷积神经网络，通过卷积神经网络可以自动精准地识别电子元件的极性方向，而且并不针对特定的电子元件结构，适用于各种带极性的电子元件，实现跨类别的电子元件的极性方向识别，适用性较广。
[0009]在其中一个实施例中，利用训练后的卷积神经网络对包含目标电子元件的图像数据作前向计算，获得目标电子元件的极性方向类别的分类特征的步骤包括以下步骤:
[0010]通过卷积层对图像数据进行卷积运算，接着通过激活函数层进行非线性变换，再通过池化层进行池化操作，然后通过全连接层获得目标电子元件的极性方向类别的分类特征，其中，卷积神经网络包括卷积模块和全连接层，卷积模块包括依次连接的卷积层、激活函数层和池化层。
[0011]在其中一个实施例中，训练后的卷积神经网络通过以下步骤获得:
[0012]建立各类电子元件的各种极性方向的图像样本集；
[0013]利用卷积神经网络中相互连接的卷积模块和全连接层对图像样本集的各图像样本数据分别进行前向计算，获得各类电子元件的各种极性方向类别的分类特征，根据各分类特征训练卷积神经网络，使卷积神经网络识别各类电子元件的各种极性方向。
[0014]在其中一个实施例中，建立各类电子元件的各种极性方向的样本集的步骤包括以下步骤:
[0015]获取PCB板卡图像和PCB模板图，并以PCB模板图为参考，对PCB板卡图像进行位置配准；
[0016]截取位置配准后PCB板卡图像上的各类电子元件图像，以PCB模板图中的各类电子元件对各类电子元件图像中相应的电子元件进行匹配，获得各类电子元件图像中相应电子元件的精确位置，根据相应电子元件的精确位置对相应电子元件进行调整，使相应电子元件位于各类电子元件图像的中心，获得各类电子元件的各种极性方向的图像样本集。
[0017]在其中一个实施例中，卷积模块为5个，其中，5个卷积层的卷积核数目分别为24，
64,96,96和64，5个卷积层的卷积核大小分别为7 X7，5X5，3X3，3X3，3X3，5个卷积层的步长均为1;全连接层为2个，其中，2个全连接层的隐节点数分别为512和4。
[0018]在其中一个实施例中，在获取包含目标电子元件的图像的步骤之后，包括以下步骤:
[0019]获取目标电子元件的模板图，以目标电子元件的模板图对图像中的目标电子元件进行匹配，获得图像中的目标电子元件的精确位置，根据精确位置对图像中的目标电子元件进行调整，使图像中的目标电子元件位于图像的中心，调整后的图像供训练后的卷积神经网络作前向计算。
[0020]—种电子元件极性方向的标注方法，包括以下步骤:
[0021 ]根据上述电子元件极性方向的快速识别方法确定的目标电子元件的极性方向，在板式文件中标注目标电子元件的极性方向信息，板式文件用于保存电子元件的各种属性信息。
[0022]上述电子元件极性方向的标注方法可以应用于Α0Ι板式制作，自动、精准地对PCB板卡上的元件进行极性方向标注，从而提升板式制作的自动化水平，改善板式制作的效率与准确性。
[0023]—种电子元件极性方向的快速识别系统，包括以下单元:
[0024]获取单元，获取包含目标电子元件的图像；
[0025]计算单元，用于利用训练后的卷积神经网络对包含目标电子元件的图像数据作前向计算，获得目标电子元件的极性方向类别的分类特征，根据分类特征获取目标电子元件属于各类电子元件的各种极性方向类别的概率分布；
[0026]选取单元，用于选取概率最大的极性方向类别作为目标电子元件的极性方向类别。
[0027]根据上述快速识别系统，其是获取包括目标电子元件的图像，再利用训练后的卷积神经网络对其作前向计算，获得目标电子元件的极性方向类别的分类特征，再获取目标电子元件属于各类电子元件的各种极性方向类别的概率分布，选取其中概率最大的极性方向类别作为目标电子元件的极性方向类别。此方案中使用了卷积神经网络，通过卷积神经网络可以自动精准地识别电子元件的极性方向，而且并不针对特定的电子元件结构，适用于各种带极性的电子元件，实现跨类别的电子元件的极性方向识别，适用性较广。
[0028]在其中一个实施例中，计算单元通过卷积层对图像数据进行卷积运算，接着通过激活函数层进行非线性变换，再通过池化层进行池化操作，然后通过全连接层获得目标电子元件的极性方向类别的分类特征，其中，卷积神经网络包括卷积模块和全连接层，卷积模块包括依次连接的卷积层、激活函数层和池化层。
[0029]—种电子元件极性方向的标注系统，包括标注单元和上述电子元件极性方向的快速识别系统，其中，标注单元用于在板式文件中标注目标电子元件的极性方向信息，板式文件用于保存电子元件的各种属性信息。
[0030]上述电子元件极性方向的标注系统可以应用于Α0Ι板式制作，自动、精准地对PCB板卡上的元件进行极性方向标注，从而提升板式制作的自动化水平，改善板式制作的效率与准确性。
【附图说明】
[0031]图1是其中一个实施例中电子元件极性方向的快速识别方法的流程示意图；
[0032]图2是其中一个实施例中卷积模块的结构示意图；
[0033]图3是其中一个实施例中卷积神经网络的结构示意图；
[0034]图4是其中一个实施例中电子元件极性方向的快速识别系统的结构示意图；
[0035]图5是其中一个实施例中电子元件极性方向的快速识别系统的结构示意图；
[0036]图6是其中一个实施例中电子元件极性方向的快速识别系统的部分结构示意图；