电子元件极性的识别方法和系统、标注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的识别方法和系统、标注方法和系统。
【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识别方法和系统、标注方法和系统。
[0004]—种电子元件极性方向的识别方法，包括以下步骤:
[0005]获取包含目标电子元件的图像；
[0006]使用训练后的卷积神经网络对图像作前向计算，得到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]根据上述识别方法，其是先获取包括电子元件的图像，再利用训练后的卷积神经网络对其作前向计算，得到电子元件的极性方向类别的概率分布，选择其中概率最大的极性方向类别作为电子元件的极性方向类别，此方案中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，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，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:
[0010]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。
[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]通过预设的外部数据集预训练卷积神经网络，其中外部数据集包含多个类别的多张已预先标注的自然图像；
[0014]根据图像样本集，对预训练后的卷积神经网络进行调整并作进一步训练，得到训练后的卷积神经网络。
[0015]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:
[0016]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；
[0017]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。
[0018]在其中一个实施例中，通过预设的外部数据集预训练卷积神经网络的步骤包括以下步骤:
[0019]用外部数据集对卷积神经网络进行预训练，使卷积神经网络学习各层次的通用图像特征，获得预训练后的卷积神经网络的初始参数值。
[0020]在其中一个实施例中，根据图像样本集，对预训练后的卷积神经网络进行调整并作进一步训练的步骤包括以下步骤:
[0021]根据图像样本集，将初始参数值中的预训练后的卷积神经网络的最后一层节点数调整为各种电子元件的各种极性方向的类别数，并对调整后的卷积神经网络作进一步训练。
[0022]—种电子元件极性方向的标注方法，包括以下步骤:
[0023]根据上述电子元件极性方向的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。
[0024]上述电子元件极性方向的标注方法可以应用于AOI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。
[0025]—种电子元件极性方向的识别系统，包括以下单元:
[0026]获取单元，用于获取包含目标电子元件的图像；
[0027]计算单元，用于使用训练后的卷积神经网络对图像作前向计算，得到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；
[0028]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。
[0029]根据上述识别系统，其是先获取包括电子元件的图像，再利用训练后的卷积神经网络对其作前向计算，得到电子元件的极性方向类别的概率分布，选择其中概率最大的极性方向类别作为电子元件的极性方向类别，此方案中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，实现跨类别的电子元件的极性方向识别，适用性较广。
[0030]在其中一个实施例中，电子元件极性方向的识别系统还包括建立单元、预训练单元以及调整单元；
[0031]建立单元用于建立各类电子元件的各种极性方向的图像样本集；
[0032]预训练单元用于通过预设的外部数据集预训练卷积神经网络，其中外部数据集包含多个类别的多张已预先标注的自然图像；
[0033]调整单元用于根据图像样本集，对预训练后的卷积神经网络进行调整并作进一步训练，得到训练后的卷积神经网络。
[0034]—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。
[0035]上述电子元件极性方向的标注系统可以应用于AOI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】
[0036]图1是其中一个实施例中电子元件极性方向的识别方法的流程示意图；
[0037]图2是其中一个实施例中电子元件极性方向的识别方法的部分流程示意图；
[0038]图3是其中一个实施例中电子元件极性方向的识别系统的结构示意图；
[0039]图4是其中一个实施例中电子元件极性方向的识别系统的结构示意图；
[0040]图5是其中一个实施例中电子元件极性方向的识别系统的结构示意图；
[0041]图6是其中一个实施例中电子元件极性方向的识别系统的部分结构示意图；
[0042]图7是其中一个实施例中电子元件极性方向的识别系统的结构示意图；
[0043]图8是其中一个实施例中电子元件极性方向的标注系统的结构示意图。
【具体实施方式】
[0044]为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的【具体实施方式】仅仅用以解释本发明，并不限定本发明的保护范围。
[0045]参见图1所示，为本发明的电子元件极性方向的识别方法实施例。如图1所示，该实施例中的电子元件极性方向的识别方法包括以下步骤:
[0046]步骤SlOl:获取包含目标电子元件的图像；
[0047]在本步骤中，包含电子元件的图像可以是需要识别电子元件极性的PCB板卡图像，也可以是其他需要识别电子元件极性的图像。
[0048]步骤S102:使用训练后的卷积神经网络对图像作前向计算，得到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；
[0049]在本步骤中，各种极性方向类别是指各种电子元件的各种极性方向，包括了多种电子元件，获取的概率分布可以适用于各种电子元件；训练后的卷积神经网络可以对图像进行操作，对其中的目标电子元件的极性方向进行识别，获得概率分布。
[0050]步骤S103: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；
[0051]上述步骤SlOl、S102和S103是使用训练后的卷积神经网络进行在线测试的过程。
[0052]本实施方式所述的电子元件极性方向的识别方法，是先获取包含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，得到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，选择其中概率最大的极性方向类别