基于深度学习的电子元件极性检测方法、系统及电子装置制造方法及图纸

本发明专利技术涉及基于深度学习的电子元件极性检测方法、系统及电子装置，包括：通过图像采集装置获取PCBA图像；采用预设方法对PCBA图像进行预处理，得电子元件图像；电子元件图像为电子元件的感兴趣区域图像；采用预设算法对电子元件图像进行处理，获得电子元件的方向信息；根据方向信息输出检测结果。本发明专利技术可自动提取特征，能适应不同大小、不同颜色、不同光照下的成像，可方便推广到不同的电子元件极性检测，可高效重复使用，有效缩短产品开发周期，开发更简单，电子元件极性检测准确率高，检测结果精准。

【技术实现步骤摘要】
基于深度学习的电子元件极性检测方法、系统及电子装置
本专利技术涉及器件检测的
，更具体地说，涉及一种基于深度学习的电子元件极性检测方法、系统及电子装置。
技术介绍
带有插件的电路板(PCBA)在插件时，有人工插件和机器插件两种，对于两种插件方式各有优缺点，但两种插件方式对于有极性要求的电子元件均存在极性插反的问题。因此，在PCBA出厂前均需要对PCBA上的电子元件进行缺陷检测。现有的检测方法有人工检测和机器检测，人工检测效率低，且易漏查。而传统的机器检测采用的方法为：获取每个元器件独有的极性特征，然后进行判断，在器件单一的情况下，这些方法能够较好的判断元器件的极性，但是当图像呈现一定变化后，如同一种电容不同大小的变化，电容位置有一定的旋转角度，光照强度变暗，则原有的分析方法可能会立刻失效或者检测结果大打折扣。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于深度学习的电子元件极性检测方法、系统及电子装置。本专利技术解决其技术问题所采用的技术方案是：提供一种基于深度学习的电子元件本文档来自技高网...

【技术保护点】
1.一种基于深度学习的电子元件极性检测方法，其特征在于，包括：/n通过图像采集装置获取PCBA图像；/n采用预设方法对所述PCBA图像进行预处理，获得电子元件图像；所述电子元件图像为电子元件的感兴趣区域图像；/n采用预设算法对所述电子元件图像进行处理，获得所述电子元件的方向信息；/n根据所述方向信息输出检测结果。/n

【技术特征摘要】
1.一种基于深度学习的电子元件极性检测方法，其特征在于，包括：
通过图像采集装置获取PCBA图像；
采用预设方法对所述PCBA图像进行预处理，获得电子元件图像；所述电子元件图像为电子元件的感兴趣区域图像；
采用预设算法对所述电子元件图像进行处理，获得所述电子元件的方向信息；
根据所述方向信息输出检测结果。


2.根据权利要求1所述的基于深度学习的电子元件极性检测方法，其特征在于，所述采用预设方法对所述PCBA图像进行预处理，获得电子元件图像包括：
对所述PCBA图像进行矫正处理，获得第一PCBA图像；所述第一PCBA图像为经过矫正处理后的PCBA图像；
对所述第一PCBA图像进行滤波处理，获得第二PCBA图像；所述第二PCBA图像为经过滤波处理后的PCBA图像；
根据所述第二PCBA图像，获得PCBA的感兴趣区域；
基于所述PCBA的感兴趣区域，确定所述电子元件图像。


3.根据权利要求2所述的基于深度学习的电子元件极性检测方法，其特征在于，所述对所述PCBA图像进行矫正处理包括：
对所述PCBA图像进行旋转和插值处理。


4.根据权利要求2所述的基于深度学习的电子元件极性检测方法，其特征在于，所述基于所述PCBA的感兴趣区域，确定所述电子元件图像包括：
基于电子元件在PCBA上的预设位置，从所述PCBA的感兴趣区域中获取电子元件的感兴趣区域。


5.根据权利要求1所述的基于深度学习的电子元件极性检测方法，其特征在于，所述预设算法为基于深度学习的卷积神经网络算法；
所述采用预设算法对所述电子元件图像进行处理，获得所述电子元件的方向信息包括：
采用基于深度学习的卷积神经网络算法对所述电子元件图像进行处理，获得所述电子元件的方向信息。


6.根据权利要求5所述的基于深度学习的电子元件极性检测方法，其特征在于，所述采用基于深度学习的卷积神经网络算法对所述电子元件图像进行处理，获得所述电子元件的方向信息包括：
接收所述电子元件图像；
获取特征提取模型；
基于所述特征提取模型，利用所述基于深度学习的卷积神经网络算法，提取出所述电子元件的特征，以获得所述电子元件的方向信息。


7.根据权利要求6所述的基于深度学习的电子元件极性检测方法，其特征在于，所述获取特征提取模型包括：
采集样本PCBA的样本图像；
对所述样本图像进行预处理，获得预处理数据；
基于深度学习的卷积神经网络算法对所述预处理数据进行训练，获得所述特征提取模型；所述特征提取模型包括：可用于提取PCBA中的电子元件的方向信息的最优卷积神经网络参数。


8.根据权利要求7所述的基于深度学习的电子元件极性检测方法，其特征在于，所述基于深度学习的卷积神经网络算法对所述预处理数据进行训练，获得所述特征提取模型包括：
对所述预处理数据进行划分，得到相应的训练集和测试集；
将所述训练集和所述测试集转换为预设数据文件格式；
对所述训练集中的数据进行均值处理，获得均值数据；
对所述均值数据进行数据增广和白化处理；
设定卷积神经网络模型的网络参数和训练参数；
采用随机梯度下降法，将训练数据导入卷积神经网络模型中进行训练，获得预特征提取模型；所述训练数据为经过数据增广和白化处理的均值数据；
采用所述测试集的数据对所述预特征提取模型进行验证，获得所述特征提取模型；所述特征提取模型为电子元件极性分类模型。


9.根据权利要求1所述的基于深度学习的电子元件极性检测方法，其特征在于，所述方向信息包括所述电子元件的当前极性方向；
所述根据所述方向信息输出检测结果包括：
将所述电子元件的当前极性方向与预存极性方向进行比对；
根据比对结果输出所述检测结果。


10.一种基于深度学习的电子元件极...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：深圳拓邦股份有限公司，
类型：发明
国别省市：广东;44