基于卷积神经网络的SMT物料数量统计方法及统计系统技术方案

本发明专利技术公开了一种统计准确率高、漏检和误检率极低的基于卷积神经网络的SMT物料数量的统计方法及统计系统。本发明专利技术包括基于卷积神经网络的SMT物料数量统计方法及统计系统，基于卷积神经网络的SMT物料数量统计方法包括通过X‑Ray设备获取SMT物料图像信息作为训练集及交叉验证集；调整卷积神经网络每层神经元的个数，利用训练集对调整后的若干个不同卷积神经网络分别进行训练，确定若干个不同结构的卷积神经网络的参数；将交叉验证集分别作为若干个不同结构卷积神经网络的输入，将SMT物料数量统计结果准确率最高的卷积神经网络作为最优SMT物料数量统计模型。本发明专利技术应用于SMT物料智能数量统计的技术领域。

【技术实现步骤摘要】
基于卷积神经网络的SMT物料数量统计方法及统计系统
本专利技术涉及一种SMT物料数量的统计方法及统计系统,特别涉及一种基于卷积神经网络的SMT物料数量的统计方法及统计系统。
技术介绍
工业SMT(SMT是表面组装技术或表面贴装技术)领域大量使用各种物料，又称为贴片元器件(包括贴片电感、贴片电容、贴片电阻等)。SMT物料通过料盘盛装，这些SMT物料涉及领域十分广泛，使用基数庞大。相关企业的库存管理人员，通常需要精确统计SMT物料的来料数量统计、已有库存的使用数量和剩余数量，才能更好的掌控SMT物料的库存，有效的支持后续的正常生产，避免物料不足导致的怠工等造成的损失，同时能够更准确的通过mess等信息采集系统将相关数据反馈到采购等部门。目前深度学习技术(卷积神经网络是深度学习技术的一种)近几年来在学术界、工业界都取得了巨大的成就，各大互联网巨头谷歌(Google)、微软(Microsoft)、脸谱(Facebook)、阿里巴巴、百度等相继成立深度学习研究机构，以解决在图像、语音、文字等领域的各类问题。然而深度学习技术在精准的SMT物料数量统本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的SMT物料数量统计方法，其特征在于：它包括通过X-Ray设备获取SMT物料图像信息作为训练集及交叉验证集；调整卷积神经网络每层神经元的个数，利用训练集对调整后的若干个不同卷积神经网络分别进行训练，确定若干个不同结构的卷积神经网络的参数；将交叉验证集分别作为若干个不同结构卷积神经网络的输入，将SMT物料数量统计结果准确率最高的卷积神经网络作为最优SMT物料数量统计模型。/n

【技术特征摘要】
1.一种基于卷积神经网络的SMT物料数量统计方法，其特征在于：它包括通过X-Ray设备获取SMT物料图像信息作为训练集及交叉验证集；调整卷积神经网络每层神经元的个数，利用训练集对调整后的若干个不同卷积神经网络分别进行训练，确定若干个不同结构的卷积神经网络的参数；将交叉验证集分别作为若干个不同结构卷积神经网络的输入，将SMT物料数量统计结果准确率最高的卷积神经网络作为最优SMT物料数量统计模型。


2.根据权利要求1的基于卷积神经网络的SMT物料数量统计方法，其特征在于：它还包括通过X-Ray设备获取SMT物料图像信息作为测试集，将测试集作为最优SMT物料数量统计模型的输入，得到测试集中各测试样本的SMT物料数量统计结果，统计SMT物料数量统计结果的准确性。


3.根据权利要求2的基于卷积神经网络的SMT物料数量统计方法，其特征在于：它还包括对训练集、交叉验证集及测试集中的SMT物料图像进行预处理，并转化为一定格式的数据；其中，预处理包括：对训练集、交叉验证集及测试集中的SMT物料图像的进行归一化处理、白化处理、图像增强处理。


4.根据权利要求3的基于卷积神经网络的SMT物料数量统计方法，其特征在于：调整卷积神经网络每层神经元的个数包括：在一配置文件中配置卷积神经网络的结构信息；卷积神经网络的结构包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层.....第二十四卷积层、第二十四池化层及全连接输出层；在一配置文件中配置输入层、第一卷积层、第一池化层、第二卷积层、第二池化层.....第二十四卷积层、第二十四池化层、全连接输出层的神经元构成以及输入参数和输出参数；在一配置文件中配置神经元激活函数，避免训练过程陷入梯度弥散导致训练停滞，所述神经元激活函数为ReLu函数。


5.根据权利要求4的基于卷积神经网络的SMT物料数量统计方法，其特征在于：输入层，用于输入SMT物料图像信息；第一卷积层，用于将预先训练好的第一层卷积核与输入层输入的SMT物料图像信息进行卷积运算得到第一卷积特征图；第一池化层，用于对第一卷积层输出的第一卷积特征图进行采样，得到采样区域的第一层特征平均值；第二卷积层，用于将预先训练好的第二层卷积核与第一池化层输出的第一层特征平均值进行卷积得到第二卷积特征图；第二池化层，用于对第二卷积层输出的第二卷积特征图进行采样，得到采样区域的第二层特征平均值；第三至二十四卷积层和池化层重复第一和第二卷积层、池化层的操作；全连接输出层，用于对第二十四池化层输出的第二十四层特征平均值进行训练，输出SMT物料数量统计结果，SMT物料数量统计结果包括：SMT物料数量、SMT物料位置的标注图像，将SMT所有识别到的物料的中心点，在输入的图中用红色2*2大小的点标注出来。


6.根据权利要求5的基于卷积神经网络的SMT物料数量统计方法，其特征在于：利用训练集对调整后的卷积神经网络进行训练，确定不同结构的卷积神经网络的参数，其步骤包括：S1.初始化卷积神经网络中的所有权重；S2.根据训练集中给定的训练样本，进行前向传导运算，即由输入层与笫一卷积层权重做矩阵运算得到第一池化层所有神经元的激活值，将此与第一池化层权重作矩阵运算得到第二卷积层所有神经元的激活值，以此类推，最终得到全连接输出层的激活值；S3.利用全连接输出层产生的激活值与实际值之间的误差和全连接输出层的权重，确定...

【专利技术属性】
技术研发人员：李柏顺，邹顺友，
申请(专利权)人：千顺智能珠海有限公司，
类型：发明
国别省市：广东;44