本发明涉及一种人工智能的应用，尤其涉及一种基于人工智能的影像匹配及识别方法。
背景技术：
目前，机器人生产已广泛用于工业生产，但生产过程中的品质控制仍然存大较大的问题，虽然采用于自动光学检测等手段，但是效率及结果不能满足大生产的需要。
具体来说，对于大部分产品的缺陷仍然需要人工确认，对于缺陷的分类统计必须依靠人工来进行，并且不能及时反馈到生产工序，特别是产品的重要部分，没有办法分区域同时检测，严重地影响了产品品质，提高了生产的成本。
有鉴于上述的缺陷，本设计人，积极加以研究创新，以期创设一种基于人工智能的影像匹配及识别方法，使其更具有产业上的利用价值。
技术实现要素：
为解决上述技术问题，本发明的目的是提供一种基于人工智能的影像匹配及识别方法。
本发明的基于人工智能的影像匹配及识别方法，其包括以下步骤：步骤一，收集产品模型及原稿，获取产品影像。步骤二，建立人工智能影像认别数据库。步骤三，使用监督学习法对数据进行分类、学习。步骤四，进行影像认别。步骤五，对于影像识别后的问题进行统计、检修。
进一步地，上述的基于人工智能的影像匹配及识别方法，其中，所述步骤一中，产品模型及原稿的最小象素大于等于10um，通过线性扫描相机或是3d相机来获取产品影像，对产品影通过自适应灰阶值进行降噪处理。
更进一步地，上述的基于人工智能的影像匹配及识别方法，其中，所述步骤二中，对已标注好结果的训练样本，通过模型输出预测结果，通过优化，使得预测值和真实值的误差最小化，令模型能够对未知的数据进行分类。
更进一步地，上述的基于人工智能的影像匹配及识别方法，其中，所述步骤三中，采用卷积神经网络来建立监督式学习法，对标注数据进行训练，
s1，卷积神经网通过卷积核的卷积计算，将图像数据演变成卷积层的数据；
s2，通过激活层采用relu函数，进行非线性变换；
s3，接入池化层对数据尺度进行缩减；
s4，s1至s3构成大循环，组成深度网络；
s5，接入全连接层和激活层构成的循环网络；
s6，连接softmax函数计算出损失函数值。
更进一步地，上述的基于人工智能的影像匹配及识别方法，其中，所述步骤三中的学习过程为，通过bp算法，运用链式法，则对神经网络中的各层的参数的梯度进行传递和更新；
利用sgd算法、adam算法、退火算法对参数进行学习；
采用dropout方法，在每批次的训练过程中，神经网络各隐含层的神经元为随机失活状态，随机保留另外一部分神经元。
更进一步地，上述的基于人工智能的影像匹配及识别方法，其中，所述步骤三中的学习过程中，
按照产品品质进行分类，按尺寸及位置计量分类属性，
按照产品的行业标准及客户标准建立可视化品质类集。
更进一步地，上述的基于人工智能的影像匹配及识别方法，其中，所述步骤四中，采用训练机器对影像进行注释、分类，建立产品质量分类集，结合数据库，
s1，选择检测区域，利用产品影像匹配原稿，检测出影像与原稿不一致的地方作为候选影像；匹配采用两种方法，一种是图形轮廓匹配，另一种是图形骨架匹配；
s2，对于影像匹配检测不一致的候选影像，进行人工智能影像认别。
更进一步地，上述的基于人工智能的影像匹配及识别方法，其中，所述步骤五中，根据设定的要求，进行分类统计并实时上传，指导工业生产，通过人工智能识别后，机器自动区分缺陷的种类、级别，并根据标签内容指明缺陷产生的原因及工序，机器将统计数据实时上传，供管理人员及时查找问题。
再进一步地，上述的基于人工智能的影像匹配及识别方法，其中，所述步骤五中，若存在可修复的瑕疵，则采用人工或全自动修复设备自动修复，对于部分可修复的缺陷，则输入相关指令后，再次人工确认是否已完全修复。
借由上述方案，本发明至少具有以下优点：
1、可以对工业产品极大程度消除假缺陷，提高生产效率。
2、能够对缺陷进行分类，对缺陷的级别进行分类，便于排查。
3、能够对特定区域内的缺陷进行追踪，有利于产品问题分析，提升产品加工质量。
4、最大程度的免人工自主学习，提高了人工智能处理效率。
5、应用范围广，可应用到绝大多数的工业生产领域中。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例详细说明如后。
具体实施方式
下面结合实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
基于人工智能的影像匹配及识别方法，其包括以下步骤：
首先，收集产品模型及原稿，获取产品影像。为了获取较佳的产品影像，便于后续人工智能进行学习与判断，产品模型及原稿的最小象素大于等于10um。由此，可控制最小像素的大小小于最小缺陷的1/2。为了实施便捷，可通过cad，odb++，camdata等多种软件完成。同时，可通过线性扫描相机或是3d相机来获取产品影像，对产品影通过自适应灰阶值进行降噪处理。具体来说，针对不同的工业产品，所采用的相机是不同的。如pcb，一般采用8k或16k线性扫描相机。产品外观采用13000万拍照相机。曲线屏等不规则的产品采用3d相机。
接着，建立人工智能影像认别数据库。使用监督学习法对数据进行分类、学习。对已标注好结果的训练样本，通过模型输出预测结果，通过优化，使得预测值和真实值的误差最小化，令模型能够对未知的数据进行分类。
为了拥有较佳的学些效果，结合本发明一较佳的实施方式来看，采用卷积神经网络来建立监督式学习法，对标注数据进行训练。具体过程如下：
s1，卷积神经网通过卷积核的卷积计算，将图像数据演变成卷积层的数据。
s2，通过激活层采用relu函数，进行非线性变换。
s3，接入池化层对数据尺度进行缩减。实际实施时，步骤s1、步骤s2可按需进行循环。
s4，s1至s3构成大循环，组成深度网络。
s5，接入全连接层和激活层构成的循环网络。
s6，连接softmax函数计算出损失函数值。
本发明采用学习过程为，通过bp算法，运用链式法，则对神经网络中的各层的参数的梯度进行传递和更新。同时，可利用sgd算法、adam算法、退火算法等算法对参数进行学习。由于adam方法结合了momentum和rmsprop两种优化算法，能够显著提高训练的效率。并且，还可以采用采用dropout方法，在每批次的训练过程中，神经网络各隐含层的神经元为随机失活状态，即有一定概率不会使用该神经元，随机保留另外一部分神经元。该方法能够有效的解决模型过度拟合的问题。在relu层之前加入batchnorm层可以有效解决深度学习中常见的梯度弥散和梯度爆炸问题。
在整个学习过程中，可按照产品品质进行分类，原因在于，每类工业产品都有相对应的国际标准及行业标准，机器学习主要依据上述标准。同时，可按尺寸及位置计量分类属性，按照产品的行业标准及客户标准建立可视化品质类集。例如pcb行业标准ipc60，半导体封装标准jedec，jeita，semig9-86，semig10-86等。
之后，进行影像认别。在此期间，为了提高识别率，可采用训练机器对影像进行注释、分类，建立产品质量分类集，结合数据库。具体来说：首先，选择检测区域，利用产品影像匹配原稿，检测出影像与原稿不一致的地方作为候选影像；匹配采用两种方法，一种是图形轮廓匹配，另一种是图形骨架匹配。之后，对于影像匹配检测不一致的候选影像，进行人工智能影像认别。换句话说，可以基于feature,templatematching方式来进行影像分析。
最后，对于影像识别后的问题进行统计、检修。在此期间，根据设定的要求，进行分类统计并实时上传，指导工业生产，通过人工智能识别后，机器自动区分缺陷的种类、级别，并根据标签内容指明缺陷产生的原因及工序，机器将统计数据实时上传，供管理人员及时查找问题。由此，防止批量问题产品出现。同时，若存在可修复的瑕疵，则采用人工或全自动修复设备自动修复，对于部分可修复的缺陷，则输入相关指令后，再次人工确认是否已完全修复。
简而言之，本发明的实施过程如下：首先输入待检产品的产品模型及原稿。从影像采集终端获取待检产品的影像。根据产品的特征进行第一次图像分析。之后，根据产品品质标准所设立的影响像数据库，对第一次图像分析的结果进行相似度筛选，同时也进行缺陷及问题产生的原因进行分类，并对特定区域内的缺陷进行位置标记。最终，根据影像认别编码检索特定区域的缺陷。
通过上述的文字表述可以看出，采用本发明后，拥有如下优点：
1、可以对工业产品极大程度消除假缺陷，提高生产效率。
2、能够对缺陷进行分类，对缺陷的级别进行分类，便于排查。
3、能够对特定区域内的缺陷进行追踪，有利于产品问题分析，提升产品加工质量。
4、最大程度的免人工自主学习，提高了人工智能处理效率。
5、应用范围广，可应用到绝大多数的工业生产领域中。
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。