一种基于卷积神经网络检测电路板元器件极性方法和装置与流程

本发明涉及机器视觉检测
技术领域：
，特别涉及一种基于卷积神经网络检测电路板元器件极性方法和装置。
背景技术：
：近年来，随着电子技术不断发展，印刷电路板作为电子技术的重要组成部分也得到迅速发展，但电路板中具有方向的电子元器件的极性方向是否正确是决定电路板质量的因素之一。由于电路板生产过程中，可能存在各种不良因素影响，电路板上的部分元器件可能出现方向不正确的现象，而这种缺陷却成为电路板的致命因素，影响电路板的最终质量。因此，为保证印刷电路板质量，对电路板进行缺陷检测是必不可少的，而其中元器件的极性就是缺陷之一。现有生产过程中，许多厂家会雇佣一大批人对电路板元器件的极性进行人工检测，但人工检测不仅效率低而且由于工人缺乏经验，容易在电路板检查过程中出现漏检、错检等现象，因此最终也并不能完全保证电路板的质量。为了解决上述人工检查电路板过程中存在的问题，宿鸣明的硕士毕业论文《电路板元器件的检测与识别》通过边缘提取电路板元器件的边缘特征，然后利用哈夫变换提取直线特征再与标准信息进行比较来判断元器件的极性，但这种方法处理速度慢，出错可能性高。因此，使用具有可靠的算法去检测电路板元器件的极性对提高检测效率具有极其重要意义。技术实现要素：本发明的主要目的是提出一种快速、精准、可靠的基于卷积神经网络检测电路板元器件极性方法，本发明还提出一种使用基于卷积神经网络检测电路板元器件极性方法的装置，旨在加快电路板元器件检测的速度。为实现上述目的，本发明提出的一种基于卷积神经网络检测电路板元器件极性方法，包括以下步骤：s1：调整相机的安装高度以及拍摄参数，同时调整照明光源的光照强度；s2：选取一定数量极性正确的电路板并建立极性正确的目标元器件图像数据库；s3：选取一定数量极性错误的电路板并建立极性错误的目标元器件图像数据库；s4：将所述步骤s2和所述步骤s3所得的极性正确和极性错误的电路板的所述目标元器件图像作为卷积神经网络的输入图像进行训练优化，得到最优化的极性特征分类器；s5:所述相机对待检测电路板拍摄并进行高斯滤波处理得到待测目标元器件图像，所述极性特征分类器对滤波后目标元器件图像判断得到最终检测结果；s6：判断后的所述目标元器件图像又作为所述极性特征分类器的学习对象，进一步优化极性特征分类器。优选地，所述步骤s2进一步包括以下步骤：s21：将若干数量元器件极性正确的电路板经过传送带传输且被所述相机拍摄图像；s22：将所述相机拍摄的图像经过高斯滤波，消除图像噪声；s23：选取摆放最规整的电路板图像作为模板，将每个正确样本电路板上的目标元器件与模板上目标元器件进行角点匹配后切割出来并予以保存。优选地，所述步骤s3进一步包括以下步骤：s31：将若干数量元器件极性错误的电路板经过传送带传输且被所述相机拍摄图像；s32：将所述相机拍摄图像经过高斯滤波后，消除图像噪声；s33：选取摆放最规整的电路板图像作为模板，将每个错误样本电路板上的目标元器件与模板上目标元器件进行角点匹配后切割出来并予以保存。优选地，极性正确的电路板和极性错误的电路板数量均为100个。本发明还提出一种使用所述基于卷积神经网络检测电路板元器件极性方法的装置，包括将电路板从一端向另一端输送的传送带，所述传送带顶面依次放置有多个电路板，所述传送带上方设有相机与计算机电连接，所述计算机还与显示器电连接。优选地，所述相机与电路板之间设有照明光源发出光线照射于电路板表面。优选地，所述相机为ccd工业相机。本发明技术方案相对现有技术具有以下优点：本发明技术方案使用卷积神经网络方案，通过对一批极性正确以及极性错误的元器件进行深度学习，训练出最优化的特征分类器，其中训练过程只需进行一次，然后再通过特征分类器对待检测的电路板元器件的极性进行检测以获得结果。本发明技术方案对待测电路板的元器件的扫描速度较快，稳定性较好，不仅能够提高处理目标元器件的处理速度，使得检测效果更好，算法也更加稳定。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。图1为本发明的目标元器件检测流程图；图2为本发明的卷积神经网络训练的示意图；图3为本发明的装置结构示意图。附图标号说明：标号名称标号名称1传送带4相机2电路板5显示器3照明光源6计算机本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。本发明提出一种基于卷积神经网络检测电路板元器件极性方法。请参加图1至图3，本发明技术方案的基于卷积神经网络检测电路板元器件极性方法包括以下步骤：s1：调整相机4的安装高度以及拍摄参数，同时调整照明光源3的光照强度；s2：选取一定数量极性正确的电路板2并建立极性正确的目标元器件图像数据库；s3：选取一定数量极性错误的电路板2并建立极性错误的目标元器件图像数据库；s4：将步骤s2和步骤s3所得的极性正确和极性错误的电路板的目标元器件图像作为卷积神经网络的输入图像进行训练优化，得到最优化的极性特征分类器；s5:相机4对待检测电路板2拍摄并进行高斯滤波处理得到待测目标元器件图像，极性特征分类器对滤波后目标元器件图像判断得到最终检测结果；s6：判断后的目标元器件图像又作为极性特征分类器的学习对象进一步优化极性特征分类器。本发明技术方案中，上述步骤s2进一步包括以下步骤：s21：将若干数量元器件极性正确的电路板2经过传送带1传输且被相机4拍摄图像；s22：将相机4拍摄的图像经过高斯滤波，消除图像噪声；s23：选取摆放最规整的电路板2图像作为模板，将每个正确样本电路板2上的目标元器件与模板上目标元器件进行角点匹配后切割出来并予以保存。而上述步骤s3进一步包括以下步骤：s31：将若干数量元器件极性错误的电路板2经过传送带1传输且被相机4拍摄图像；s32：将相机4拍摄图像经过高斯滤波后，消除图像噪声；s33：选取摆放最规整的电路板2图像作为模板，将每个错误样本电路板2上的目标元器件与模板上目标元器件进行角点匹配后切割出来并予以保存。请参见图3，本发明还提出一种使用基于卷积神经网络检测电路板元器件极性方法的装置，包括将电路板2从一端向另一端输送的传送带1，传送带1顶面依次放置有多个电路板2，传送带1上方设有相机4与计算机6电连接，计算机6还与显示器5电连接。优选地，相机4与电路板2之间设有照明光源3发出光线照射于电路板2表面，相机4为ccd工业相机。请参见图1至图3，本发明技术方案中，使用基于卷积神经网络检测电路板元器件极性方法的装置的工作原理为：首先调整好相机4的安装高度以及拍摄参数，与此同时调整好照明光源3的光照强度。然后选取一定数量极性正确的电路板2，例如选择100件极性正确的电路板2，通过传送带1进行传输至相机4下方，使得相机4对电路板2进行拍摄，相机4将拍摄得到的图像经过高斯滤波后，选取其中摆放最为规整的电路板2图像作为模板，然后对目标元器件进行切割，其他的电路板2则通过与模板进行角点匹配后将每个电路板2上的目标元器件完整地切割出来，然后保存在一个文件夹内保存起来。相同地，然后选取一定数量极性错误的电路板2，例如选择100件极性错误的电路板2，通过传送带1进行传输至相机4下方，使得相机4对电路板2进行拍摄，相机4将拍摄得到的图像经过高斯滤波后，选取其中摆放最为规整的电路板2图像作为模板，然后对目标元器件进行切割，其他的电路板2则通过与模板进行角点匹配后将每个电路板2上的目标元器件完整地切割出来，然后保存在另一个文件夹内保存起来。然后在将上述步骤得到的正确的电路板和错误的电路板的目标元器件图像作为卷积神经网络的输入图像进行训练优化，从而得到最优化的极性特征分类器。具体的训练优化过程中，卷积神经网络主要是由多层特征提取阶段和分类器组成，多层特征提取阶段通常含有1～3层的卷积层和下采样层，分类器也一般包含有1～2层全连接层。如图2所示，作为训练样本的目标元器件图像首先通过输入层完成输入样本图像步骤，进而达到卷积层。如图2所示，卷积层c为极性特征提取层，每个神经元的输入与前一层的局部感受野相连，感受野为输出机型特征图某个节点的响应对应的输入图像的区域。局部感受野与输入的训练样本元器件图像进行卷积，提取电路板元器件极性的局部特征。然后下采样层s是极性特征映射层，对输入的极性特征进行压缩，这样使得极性特征图变小，简化网络计算复杂度，同时进行极性特征压缩，提取主要的极性特征，特征映射结构采用影响函数核销的sigmoid函数作为卷积神经网络的激活函数，使得极性特征映射具有位移不变性。本发明技术方案中，输入待训练目标元器件图像的大小为m×n，其中k×k是卷积核的大小，即权重，也是感受野。经过卷积得到极性输出特征图大小为(m-k)×(n-k)，输出极性特征图又会经过尺寸为w×h的采样，可以获得大小为的极性特征图像。如图2所示的第一次卷积，一个11×11×3的卷积核与一个219×219×3有极性的元器件的输入图像进行卷积，输出的极性特征图大小为(219-11)×(219-11)，输入大小为208×208的极性特征图在经过4×4的尺寸进行采样，与得到53×53的极性输出特征。然后卷积层与下采样层进一步对极性特征提取优化，训练结束后可得到多个最为优秀的极性特征分类器。完成训练样本的元器件卷积神经网络学习过程后，就可以对待检测的目标元器件实施检测。在流水线上，相机拍摄电路板图像输入电脑且经过高斯滤波进行处理，然而因为电路板的摆放倾斜造成待测的目标元器件的位置不确定，本发明利用角点匹配算法将电路板校正到标准的摆放位置，即可寻找两幅图像之间的特征像素点的对应关系，从而确定两幅图像的位置关系，图像摆放标准后，利用鼠标抠出待检测目标元器件的位置，再利用位置取出待测目标元器件，提取出目标元器件经过特征分类器的分类，也就是根据卷积神经网络的学习经验进行判断，输出检测结果的“极性正确”或“极性错错误”。与此同时，上述检测步骤的中间目标元器件的图像又可以作为待学习的元器件，从而进一步让特征分类器更加优化。以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的
技术领域：
均包括在本发明的专利保护范围内。当前第1页12