本发明专利技术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。本发明专利技术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。
【技术实现步骤摘要】
本专利技术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。
技术介绍
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。
技术实现思路
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。一种电子元件极性方向的识别方法,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;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。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。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: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。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: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。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: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;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。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: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。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: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。一种电子元件极性方向的标注方法,包括以下步骤: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。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。一种电子元件极性方向的识别系统,包括以下单元: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;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。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。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;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;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;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。一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。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;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;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;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;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;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;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;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。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本专利技术进行进一步的详细说明。应当理本文档来自技高网...
【技术保护点】
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。
【技术特征摘要】
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...
【专利技术属性】
技术研发人员:杨铭,
申请(专利权)人:广州视源电子科技股份有限公司,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。