]在其中一个实施例中，如图4所示，电子元件极性方向的识别系统还包括预处理单元230;
[0097]预处理单元230用于在获取单元获取包含目标电子元件的图像后，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。
[0098]在其中一个实施例中，如图5所示，电子元件极性方向的识别系统还包括建立单元240、预训练单元250以及调整单元260;
[0099]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；
[0100]预训练单元250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；
[0101]调整单元260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。
[0102]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；
[0103]配准单元241用于获得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；
[0104]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。
[0105]在其中一个实施例中，预训练单元250用于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。
[0106]在其中一个实施例中，调整单元260用于根据图像样本集，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。
[0107]在其中一个实施例中，如图7所示，电子元件极性方向的识别系统还包括报警单元270，用于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。
[0108]本发明的电子元件极性方向的识别系统与本发明的电子元件极性方向的识别方法一一对应，在上述电子元件极性方向的识别方法的实施例阐述的技术特征及其有益效果均适用于电子元件极性方向的识别系统的实施例中。
[0109]本发明还提供一种电子元件极性方向的标注系统，如图8所示，包括标注单元280以及上述的电子元件极性方向的识别系统，标注单元280用于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。
[0110]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。
[0111]以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0112]以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
【主权项】
1.一种电子元件极性方向的识别方法，其特征在于，包括以下步骤: 获取包含目标电子元件的图像； 使用训练后的卷积神经网络对所述图像作前向计算，得到所述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； 选取概率最大的极性方向类别作为所述目标电子元件的极性方向类别。2.根据权利要求1所述的电子元件极性方向的识别方法，其特征在于，在所述获取包含目标电子元件的图像的步骤之后，包括以下步骤: 获取所述目标电子元件的模板图，以所述目标电子元件的模板图对所述图像中的目标电子元件进行匹配，获得所述图像中的目标电子元件的精确位置，根据所述精确位置对所述图像中的目标电子元件进行调整，使所述图像中的目标电子元件位于所述图像的中心，调整后的图像供所述训练后的卷积神经网络作前向计算。3.根据权利要求1所述的电子元件极性方向的识别方法，其特征在于，所述训练后的卷积神经网络通过以下步骤获得: 建立各类电子元件的各种极性方向的图像样本集； 通过预设的外部数据集预训练卷积神经网络，其中所述外部数据集包含多个类别的多张已预先标注的自然图像； 根据所述图像样本集，对预训练后的卷积神经网络进行调整并作进一步训练，得到所述训练后的卷积神经网络。4.根据权利要求3所述的电子元件极性方向的识别方法，其特征在于，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: 获取PCB板卡图像和PCB模板图，并以所述PCB模板图为参考，对所述PCB板卡图像进行位置配准； 截取位置配准后PCB板卡图像上的各类电子元件图像，以所述PCB模板图中的各类电子元件对所述各类电子元件图像中相应的电子元件进行匹配，获得所述各类电子元件图像中相应电子元件的精确位置，根据所述相应电子元件的精确位置对所述相应电子元件进行调整，使所述相应电子元件位于各类电子元件图像的中心，获得所述各类电子元件的各种极性方向的图像样本集。5.根据权利要求3所述的电子元件极性方向的识别方法，其特征在于，所述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: 用所述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。6.根据权利要求5中所述的电子元件极性方向的识别方法，其特征在于，所述根据所述图像样本集，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: 根据所述图像样本集，将所述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。7.一种电子元件极性方向的标注方法，其特征在于，包括以下步骤: 根据权利要求1至6中任意一项所述的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，在板式文件中标注所述目标电子元件的极性方向信息，所述板式文件用于保存电子元件的各种属性信息。8.一种电子元件极性方向的识别系统，其特征在于，包括: 获取单元，用于获取包含目标电子元件的图像； 计算单元，用于使用训练后的卷积神经网络对所述图像作前向计算，得到所述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； 选取单元，用于选取概率最大的极性方向类别作为所述目标电子元件的极性方向类别。9.根据权利要求8所述的电子元件极性方向的识别系统，其特征在于，还包括建立单元、预训练单元以及调整单元； 所述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； 所述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，其中所述外部数据集包含多个类别的多张已预先标注的自然图像； 所述调整单元用于根据所述图像样本集，对预训练后的卷积神经网络进行调整并作进一步训练，得到所述训练后的卷积神经网络。10.一种电子元件极性方向的标注系统，其特征在于，包括标注单元和如权利要求8或9所述的电子元件极性方向的识别系统，其中，所述标注单元用于在板式文件中标注所述目标电子元件的极性方向信息，所述板式文件用于保存电子元件的各种属性信息。
【专利摘要】本发明涉及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。现在的电子元件极性方向判断准确率较低，可扩展性受限。本发明是先获取包含电子元件的图像，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，由于使用了卷积神经网络，能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。根据确定的目标电子元件的极性方向，可以应用于板式制作，对电子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。
【IPC分类】G06N3/08, G06T7/00
【公开号】CN105513046
【申请号】CN201510822818
【发明人】杨铭
【申请人】广州视源电子科技股份有限公司
【公开日】2016年4月20日
【申请日】2015年11月23日