，如图3所示，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。
[0070]用本实施例中的卷积神经网络可以较好地实现电子元件极性方向的快速识别。
[0071]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:
[0072]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。
[0073]用目标电子元件的模板图对图像中的目标电子元件进行调整，使得训练后的卷积神经网络更加容易识别目标电子元件。
[0074]在其中一个实施例中，在选取概率最大的极性方向类别作为电子元件的极性方向类别的步骤之后，还包括以下步骤:
[0075]若选取的概率最大的极性方向类别与预设的电子元件极性方向类别不同，则给出错误报警信息。
[0076]上述步骤是对极性方向的检测过程，可以对电子元件是否安装正确进行判断。
[0077]在其中一个实施例中，在线测试获取的包含目标电子元件的图像为PCB板卡图像，以相应的PCB模板来对照匹配，获得目标电子元件的精确位置，对图像中的目标电子元件进行对齐调整，以保证目标电子元件位于图像的中心位置。
[0078]在本实施例中，对照匹配时使用的是相应的PCB模板，该PCB模板可以是图像样品集中图像对应的PCB模板，也可以是与图像样品集中图像对应的PCB模板不同的PCB模板，如果是前者，在离线训练时已经保存了与图像样品集中图像对应的PCB模板，可以直接获取使用。如果是后者，在线测试时除了获取PCB板卡图像时还需要从外界获取相应的PCB模板，以实现之后的对照匹配。实施本方案可以对获取的PCB板卡图像中的所有电子元件进行极性方向的识别。
[0079]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和在获取包含目标电子元件的图像的步骤之后均包括以下步骤:
[0080]对调整后的图像的大小进行归一化处理。
[0081]在建立各类电子元件的各种极性方向的样本集的步骤中，对调整后的图像的大小进行归一化处理，可便于对卷积神经网络的训练，使卷积神经网络对图像样本的多层特征的学习更为准确。
[0082]在获取包含目标电子元件的图像的步骤之后，对调整后的图像的大小进行归一化处理，可便于卷积神经网络对目标电子元件的图像的前向计算处理，加快电子元件的识别过程。
[0083]本发明的电子元件极性方向的快速识别方法，使用了卷积神经网络，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，只要训练卷积神经网络用的图像样本集覆盖了多个种类的电子元件，就可以实现跨类别的电子元件的极性方向识别，适用性较广。在目前主流的GHJ下运行也可以对常规的PCB板卡(包含大约20-30个带极性的元件)进行实时判断，在GPU上判断一个元件的平均计算时间甚至在1毫秒之内，因此满足各种实时判断场景;无论是离线训练阶段还是在线测试阶段，均尽可能减少人工干预，并且不依赖于特殊硬件机构，成本较低;不需要强大的计算资源，在某些场景下甚至可以在廉价的嵌入式平台运行。
[0084]本发明还提供一种电子元件极性方向的标注方法，包括以下步骤:
[0085]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。
[0086]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。
[0087 ]根据上述电子元件极性方向的快速识别方法，本发明还提供一种电子元件极性方向的快速识别系统，以下就本发明的电子元件极性方向的快速识别系统的实施例进行详细说明。
[0088]参见图4所示，为本发明的电子元件极性方向的快速识别系统的实施例。该实施例中的电子元件极性方向的快速识别系统，包括图4中的获取单元210、计算单元220和选取单元230;
[0089]获取单元210，用于获取包含目标电子元件的图像；
[0090]计算单元220，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；
[0091 ]选取单元230，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。
[0092]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。
[0093]在其中一个实施例中，计算单元220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。
[0094]在其中一个实施例中，如图5所示，电子元件极性方向的快速识别系统还包括建立单元240和训练单元250;
[0095]建立单元240用于建立各类电子元件的各种极性方向的图像样本集；
[0096]训练单元250用于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。
[0097]在其中一个实施例中，如图6所示，建立单元240包括配准单元241、截取处理单元242；
[0098]配准单元241用于获取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；
[0099]截取处理单元242用于截取位置配准后PCB板卡图像上的电子元件图像，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。
[0100]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。
[0101]在其中一个实施例中，如图7所