本发明涉及pcb板检测技术，特别涉及一种基于cnn的pcb板图像相似度的快速检索方法。
背景技术：
1、目前人工智能领域飞速发展，大量工业行业内出现人工智能代替人员对产品进行产品优良判断，而人工智能检测的准确率与训练样本的数量有密切的关系。如何在大量的pcb板图像数据中快速准确的寻找出所需要的pcb板图像数据一直是pcb板图像处理和机械视觉研究领域的热点。
2、现有技术中会采用pcb板图像相似度匹配的方法进行优良品的判断。pcb板图像相似度计算方式一般分为两种，一是使用pcb板图像特征点进行特征匹配，将目标pcb板图像特征点与检测pcb板图像特征点进行匹配，二是将目标pcb板图像信息转化为一组特征向量，使用该特征向量与pcb板图像生成特征向量进行对比获得两组特征向量间的偏差。
3、对于特征点匹配，存在特征点冗余，进而在进行pcb板图像相似度检索时，需要进行大量的比较增大了时间成本，严重降低了匹配的效率。对于pcb板图像特征向量，现有的特征向量算法将复杂背景进行剔除减少大量干扰信息，但是部分特征在光照变化剧烈、旋转幅度大等情况下还存在鲁棒性问题。
4、对于特征点匹配，存在特征点冗余，进而在进行pcb板图像相似度检索时，需要进行大量的比较增大了时间成本，严重降低了匹配的效率。对于pcb板图像特征向量，现有的特征向量算法将复杂背景进行剔除减少大量干扰信息，但是部分特征在光照变化剧烈、旋转幅度大等情况下还存在鲁棒性问题。
技术实现思路
1、本发明的目的在于提供一种基于cnn的pcb板图像相似度的快速检索方法，用于解决上述现有技术的问题。
2、本发明一种基于cnn的pcb板图像相似度的快速检索方法，其中，包括：(1)收集pcb板图像数据，分为测试集和训练集；(2)根据pcb板图像训练集对深度卷积神经网络进行训练，获得训练后的深度卷积神经网络模型；(3)将数据库的原始pcb板图像输入训练完成的深度卷积神经网络模型获得数据库的原始pcb板图像的特征向量；使用感知哈希算法获得数据库的原始pcb板图像的哈希码；将获得的数据库的原始pcb板图像的特征向量以及哈希码作为两组检索信息存入pcb板图像数据库中；(4)获得待检索的缺陷pcb板图像，将该缺陷pcb板图像输入训练好的深度卷积网络，获得缺陷pcb板图像的特征向量；使用感知哈希算法对该缺陷pcb板图像进行处理，获得缺陷pcb板图像的哈希码；(5)将待检索pcb板图像的哈希码在pcb板图像数据库中，依照一定条件进行检索，若未检索到的pcb板图像，则认为pcb板图像数据库不存在相似pcb板图像；如果检索到，则作为初步筛选的pcb板图像，则继续进行步骤(6)；(6)将待检索pcb板图像特征向量与初步筛选的pcb板图像的特征向量进行相似度计算，并输出满足条件的pcb板图像数据。
3、根据本发明所述的基于cnn的pcb板图像相似度的快速检索方法的一实施例，其中，收集pcb板图像数据，分为测试集和训练集包括：从pcb板图像数据库中进行随机抽样，获得小样本的pcb板图像数据集；将小样本的pcb板图像数据集进行标注特征信息，为小样本数据集每个pcb板图像分配一个或多个与其内容相关的标签；对标签信息细化后的原始pcb板图像数据集进行分类，获得训练集和测试集。
4、根据本发明所述的基于cnn的pcb板图像相似度的快速检索方法的一实施例，其中，深度卷积神经网络为卷积神经网络resnet50。
5、根据本发明所述的基于cnn的pcb板图像相似度的快速检索方法的一实施例，其中，将数据库的原始pcb板图像输入训练完成的深度卷积神经网络模型获得数据库的原始pcb板图像的特征向量包括：将数据库的原始pcb板图像输入训练完成的深度卷积神经网络模型，从靠近输出层的层提取特征，表示pcb板图像丝印、工艺、油墨颜色和/或形状信息。
6、根据本发明所述的基于cnn的pcb板图像相似度的快速检索方法的一实施例，其中，步骤(5)对于待检索pcb板图像，遍历pcb板图像数据库的每个原始pcb板图像哈希码，使用汉明距离来比较待检索pcb板图像的哈希码与原始pcb板图像哈希码；对比哈希码的每一位，如果在某一位置上，两个哈希码的位不同，计数器加1，比较完所有位后，计数器的值为汉明距离，当汉明距离低于一阈值，则认为检索到初步筛选的pcb板图像。
7、根据本发明所述的基于cnn的pcb板图像相似度的快速检索方法的一实施例，其中，该阈值为5或6。
8、根据本发明所述的基于cnn的pcb板图像相似度的快速检索方法的一实施例，其中，步骤(6)中将待检索pcb板图像特征向量与初步筛选的pcb板图像的特征向量进行余弦相似度计算；将满足相似度阈值条件的初筛pcb板图像作为最终检索结果返回，如果没有找到满足阈值的初步筛选的pcb板图像，进一步输出最接近阈值的初步筛选的pcb板图像。
9、根据本发明所述的基于cnn的pcb板图像相似度的快速检索方法的一实施例，其中，余弦相似度的计算公式为：cosine similarity(a,b)＝(a·b)/(||a||*||b||)，其中，a和b分别表示待检索pcb板图像和初步筛选pcb板图像的特征向量，a·b表示两个向量的点积，||a||和||b||分别表示向量a和b的模(长度)；计算余弦相似度后，将获得一个介于-1和1之间的值，值越接近1，表示两个特征向量越相似；值越接近-1，表示两个特征向量越不相似。
10、根据本发明所述的基于cnn的pcb板图像相似度的快速检索方法的一实施例，其中，使用感知哈希算法对该缺陷pcb板图像进行处理，获得缺陷pcb板图像的哈希码包括：将缺陷pcb板图像缩放为固定尺寸的pcb板图像；将缩放后的pcb板图像转换为灰度缺陷pcb板图像；对灰度缺陷pcb板图像进行dct；保留dct变换后的缺陷pcb板图像矩阵的左上角部分的主要视觉特征；计算缺陷pcb板图像矩阵的所有元素的平均值；缺陷pcb板图像矩阵的每个元素与平均值进行比较，如果元素值大于或等于平均值，则将该位置的哈希值设为1，否则设为0，将所有哈希值连接起来，形成一个二进制串，得到缺陷pcb板图像的哈希码。
11、根据本发明所述的基于cnn的pcb板图像相似度的快速检索方法的一实施例，其中，对标签信息细化后的原始pcb板图像数据集进行分类包括：在标注好pcb板图像特征信息后，根据pcb板图像的标签将其分配到相应的类别中，分类后的pcb板图像数据集包含每个类别的pcb板图像。
12、本发明的基于cnn的pcb板图像相似度的快速检索方法，根据感知哈希算法获取pcb板图像哈希码，使用pcb板图像哈希码进行汉明距离计算初步筛选获得小部分候选pcb板图像，去除大量无关联pcb板图像，再根据卷积神经网络获得pcb板图像的特征向量，对初步筛选pcb板图像进行相似度判断，提高pcb板图像检索的准确性以及鲁棒性。
1.一种基于cnn的pcb板图像相似度的快速检索方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，收集pcb板图像数据，分为测试集和训练集包括：
3.如权利要求1所述的方法，其特征在于，深度卷积神经网络为卷积神经网络resnet50。
4.如权利要求1所述的方法，其特征在于，将数据库的原始pcb板图像输入训练完成的深度卷积神经网络模型获得数据库的原始pcb板图像的特征向量包括：
5.如权利要求1所述的方法，其特征在于，步骤(5)对于待检索pcb板图像，遍历pcb板图像数据库的每个原始pcb板图像哈希码，使用汉明距离来比较待检索pcb板图像的哈希码与原始pcb板图像哈希码；对比哈希码的每一位，如果在某一位置上，两个哈希码的位不同，计数器加1，比较完所有位后，计数器的值为汉明距离，当汉明距离低于一阈值，则认为检索到初步筛选的pcb板图像。
6.如权利要求5所述的方法，其特征在于，该阈值为5或6。
7.如权利要求1所述的方法，其特征在于，步骤(6)中将待检索pcb板图像特征向量与初步筛选的pcb板图像的特征向量进行余弦相似度计算；
8.如权利要求7所述的方法，其特征在于，余弦相似度的计算公式为：
9.如权利要求1所述的方法，其特征在于，使用感知哈希算法对该缺陷pcb板图像进行处理，获得缺陷pcb板图像的哈希码包括：
10.如权利要求2所述的方法，其特征在于，对标签信息细化后的原始pcb板图像数据集进行分类包括：在标注好pcb板图像特征信息后，根据pcb板图像的标签将其分配到相应的类别中，分类后的pcb板图像数据集包含每个类别的pcb板图像。