一种电子元器件的局部的特征识别方法、装置及设备制造方法及图纸

本发明专利技术提供一种电子元器件的局部的特征识别方法、装置及自动化设备，所述电子元器件的局部的特征识别方法包括获取包括电子元器件的局部的图像；基于预先经过训练的模型，检测所述图像，识别出所述图像中的电子元器件的局部的特征。采用本发明专利技术的技术方案，通过机器学习的方法识别电子元器件的局部的特征，能够提高电子元器件的局部的特征识别的工作效率及准确率。

A local feature recognition method, device and equipment for electronic components

【技术实现步骤摘要】
一种电子元器件的局部的特征识别方法、装置及设备
本专利技术涉及自动化
，具体涉及一种电子元器件的局部的特征识别方法、装置及设备。
技术介绍
现有的工业自动化
中，需要对各个种类的电子元器件进行加工、维护或检测，比如：电源的检测、PCB板的电子元器件插机等等；在这些工业自动化过程中，不可避免需要对某些电子元器件或电子元器件上的局部的特征进行位置的识别，比如：在电源的检测过程中，需要用机械手将电源的的局部的特征插入检测位进行检测，为能使得机械手准确将的局部的特征插入检测位，因此需要通过视觉准确识别出电源的的局部的特征的位置；在PCB板的电子元器件插机过程中，为能准确完成插机，需要能准确识别出电子元器件的的局部的特征和PCB板插孔的所在位置。为识别上述电子元器件的局部的特征，目前的做法是通过背景去除技术，获取前景物体，即复杂背景下的电子元器件的的局部的特征，再通过传统的机器视觉算法进行相关特征点的提取。采用这种做法存在的缺陷在于：背景去除算法的鲁棒性低，前景提取的效果不稳定，从而导致后续的特征点提取结果不稳定或者不准确；背景去除算法通常需要多张背景照片进行取平均操作降低噪声影响，时间相对较长。
技术实现思路
本专利技术的目的是提供一种电子元器件的局部的特征识别方法、装置及设备，通过机器学习的方法识别电子元器件的局部的特征结构，能够提高电子元器件局部的特征识别的工作效率及准确率。本专利技术第一方面提供一种电子元器件的局部的特征识别方法，所述电子元器件的局部的特征识别方法包括获取包括电子元器件的局部的图像；基于预先经过训练的模型，检测所述图像，识别出所述图像中的所述电子元器件的局部的特征。进一步，所述特征包括：坐标、位姿、感兴趣区域和/或像素分类。进一步，所述模型包括至少一个NN和/或SVM。进一步，所述NN包括CNN，所述CNN包括LeNet，AlexNet，ZFNet，VGG，GoogLeNet，ResidualNet，DenseNet，R-CNN，SPP-NET，Fast-RCNN，Faster-RCNN，FCN，Mask-RCNN，YOLO，SSD,YOLO2。进一步，当所述预先经过训练的模型包括多个模型，选择所述多个预先经过训练的模型中的最优模型作为所述预先经过训练的模型。进一步，所述预先经过训练的模型通过如下方法获得；获取初始化的所述模型，所述模型为针对输入的所述图像，输出所述电子元器件的局部的特征；获取训练数据和标签数据；基于所述训练数据和所述标签数据，对所述初始化的所述模型进行训练，以获取所述预先经过训练的所述模型。进一步，所述电子元器件的局部为电子元器件的引脚、插脚、插孔或工位。本专利技术第二方面提供一种电子元器件的局部的特征识别装置，所述电子元器件的局部的特征识别装置包括：获取图像程序模块，用于获取包括电子元器件的局部的图像；识别特征程序模块，用于基于预先经过训练的模型，检测所述图像，识别出所述图像中的所述电子元器件的局部的特征。进一步，所述电子元器件的局部的特征识别装置还包括模型获取模块，用于获取初始化的所述模型，所述模型为针对输入的所述图像，输出所述电子元器件的局部的特征；获取训练数据和标签数据；基于所述训练数据和所述标签数据，对所述初始化的模型进行训练，以获取所述预先经过训练的模型。本专利技术第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上面任意一项所述的电子元器件的局部的特征识别方法。本专利技术第四方面提供一种电子设备，所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上面任意一项所述的电子元器件的局部的特征识别方法。本专利技术第五方面提供一种自动化设备，所述自动化化设备包括至少一个上面所述的电子设备。采用本专利技术的电子元器件的局部的特征识别方法、装置及自动化设备，由于采用基于预先经过训练的模型进行电子元器件的局部的特征识别，能够适应在背景环境复杂的情况下的局部的特征识别，因此提高了电子元器件的局部的特征识别的准确率和效率。附图说明为了更清楚地说明本专利技术实施例技术方案，下面将对实施例和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专利技术的一些实施例，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获取其它的附图。图1为本专利技术提供的电子元器件的局部的特征识别方法实施例的流程图。图2为本专利技术提供的经过训练的模型的获取方法的实施例的流程图。图3为本专利技术提供的电子元器件的局部的特征识别装置的实施例的第一结构框图。图4为本专利技术提供的电子元器件的局部的特征识别装置的实施例的第二结构框图。图5为本专利技术提供的电子设备的实施例结构框图。具体实施方式为了使本领域的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获取的所有其它实施例，都应当属于本专利技术保护的范围。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。图1为本专利技术提供的电子元器件的局部的特征识别方法实施例的流程图。如图1所示，本专利技术实施例提供一种电子元器件的局部的特征识别方法，所述电子元器件的局部的特征识别方法包括：S110获取包括电子元器件的局部的图像。电子元器件可以包括电阻或电容等电子元件、电源适配器或PCB板等等，电子元器件的局部的特征可以是电子元器件的任意部位，比如：电子元件的引脚、电源适配器的插脚、PCB板的插孔等等。本具体实施例中，基于电子元器件的局部的特征识别方法运行于其上的电子设备(电子设备可以是计算机设备或服务器)可以通过有线连接或者无线的方式从图像采集设备周期或实时获取图像，该图像可以包括静态图像或者视频图像(连续的静态图像)数据，当为视频图像时，可以从视频图像中截取任意一帧或几帧静态图像。获取的图像可以是二维图像，也可以是三维图像。图像采集设备可以包括：照相机、摄像机、扫描仪或其他带有相关功能的设备(手机、电脑等)等等。无线方式可以包括但不限于：3G/4G、WIFI、蓝牙、WiMAX、Zigbee、UWB(ultrawideband),以及其它现在已知或将来开发的无线连接方式。在一些实施例中，对二维图像，也可以先提取感兴趣的区域(ROI)，然后进行后续的工作。S120基于预先经过训练的模型，检测所述图像，识别出所述图像中的电子元器件的局部的特征。对图像识别出其中的电子元器件的局部的特征中的特征可以包括但不限于:坐标(2D)、位姿(6D)、感兴趣区域(ROI)、像素级分类。比如：在电源适配器的检测领域，检测电源适配器的交流(AC)插脚端和直流(DC)插脚端的姿态时需要确定电源适配器的AC插脚端和DC插脚端的位姿，该位姿为AC插脚端和DC插脚端在某一坐标系下的位置(3个向量)和姿态(3个向量)共6个向量的组成的6D坐标，以为下一步机械手拾取并将其放置到检测位置提供依据。又比如：在插机领域,通过提取电子元件的引脚和PCB板的插孔在图像中的2D坐标或6D位姿,为下一步通过视觉本文档来自技高网...

【技术保护点】
1.一种电子元器件的局部的特征识别方法，其特征在于，所述电子元器件的局部的特征识别方法包括获取包括电子元器件的局部的图像；基于预先经过训练的模型，检测所述图像，识别出所述图像中的所述电子元器件的局部的特征。

【技术特征摘要】
1.一种电子元器件的局部的特征识别方法，其特征在于，所述电子元器件的局部的特征识别方法包括获取包括电子元器件的局部的图像；基于预先经过训练的模型，检测所述图像，识别出所述图像中的所述电子元器件的局部的特征。2.根据权利要求1所述的电子元器件的局部的特征识别方法，其特征在于，所述特征包括：坐标、位姿、感兴趣区域和/或像素分类。3.根据权利要求1所述的电子元器件的局部的特征识别方法，其特征在于，所述电子元器件的局部为电子元器件的引脚、插脚、插孔或工位。4.根据权利要求1所述的电子元器件的局部的特征识别方法，其特征在于，所述预先经过训练的模型包括至少一个NN和/或SVM。5.根据权利要求1所述的电子元器件的局部的特征识别方法，其特征在于，所述NN包括CNN，所述CNN包括LeNet，AlexNet，ZFNet，VGG，GoogLeNet，ResidualNet，DenseNet，R-CNN，SPP-NET，Fast-RCNN，Faster-RCNN，FCN，Mask-RCNN，YOLO，SSD,YOLO2。6.根据权利要求3或4所述的电子元器件的局部的特征识别方法，其特征在于，当所述预先经过训练的模型包括多个模型，选择所述多个预先经过训练的模型中的最优模型作为所述预先经过训练的模型。7.根据权利要求1所述的电子元器件的局部的特征识别方法，其特征在于，所述预先经过训练的模型通过如下方法获得；获取初始化的所述模型，所述模型为针对输入的所述图像，输出所述电子元器件的局部的特征；获取训练数据和标签数据；基于所述训练数据和所述标签数据，对所述初始化的所述模型进行训练，以获取所述预先经过训练的所述模型。8.一种...

【专利技术属性】
技术研发人员：何德裕，朱文飞，彭显明，
申请(专利权)人：鲁班嫡系机器人深圳有限公司，
类型：发明
国别省市：广东,44