一种基于机器学习的电子元器件识别方法技术

本发明专利技术涉及数据处理技术领域，具体涉及一种基于机器学习的电子元器件识别方法。该方法包括：获取电路板表面的初始图像；提取初始图像中不同的元器件图像并进行边缘检测得到对应的边缘图像，对边缘图像中的边缘像素点标记得到标记点；获取每个元器件图像中标记点的角点值，将所有标记点对应的角点值构成角点序列；利用LBP算子获取每个标记点的纹理值，所有标记点的纹理值构成纹理序列；对每个元器件图像进行图像分割得到分割图像，基于分割图像得到颜色序列；以每张样本图像对应的角点序列、纹理序列以及颜色序列对神经网络进行训练，基于训练完成的神经网络获取每张待识别的初始图像中的优化元器件图像；提高了元器件检测的精度。精度。精度。

【技术实现步骤摘要】
一种基于机器学习的电子元器件识别方法


[0001]本专利技术涉及数据处理
，具体涉及一种基于机器学习的电子元器件识别方法。

技术介绍

[0002]元器件作为电子领域中的基础单元，是组成电子电路的基本组成部分。元器件根据其功能特性有很多不同的分类，在一块电路板中是由多个元器件组成的，不同元器件安装在电路板中组成了复杂的电子系统。元器件在未安装在电路板上之后，可以通过测试工具对元器件进行单个识别，但是当元器件安装在电路板上之后，测试工具就无法检测出是那种元器件。不同的元器件有不同的作用效果，如果出现安装位置错误，偏移都会导致一整块电路板报废，因此需要识别不同电子元器件及其安放位置。
[0003]现有的对电路板上元器件的识别更多是人工识别，这需要依赖于使用者的先验知识和丰富的经验，现有也有使用图像识别元器件的方法，但是该方法没有结合元器件本身特征来构建，检测精度较低。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的在于提供一种基于机器学习的电子元器件识别方法，该方法包括以下步骤：获取电路板表面的初始图像；提取所述初始图像中不同的元器件图像，对每个所述元器件图像进行边缘检测得到对应的边缘图像，对所述边缘图像中的边缘像素点标记得到标记点；获取每个所述元器件图像中标记点的角点值，将所有标记点对应的角点值构成角点序列；利用LBP算子获取每个标记点的纹理值，所有标记点的纹理值构成纹理序列；对每个所述元器件图像进行图像分割得到分割图像，基于所述分割图像得到颜色序列；以每张样本图像对应的角点序列、纹理序列以及颜色序列对神经网络进行训练，基于训练完成的神经网络获取每张待识别的初始图像中的优化元器件图像。
[0005]优选的，所述获取每个所述元器件图像中标记点的角点值的步骤，包括：对于任意一个标记点，获取所述标记点与其前后相邻两个标记点的坐标，根据所述坐标获取方向角度，方向角度之间的差值为所述标记点的角点值。
[0006]优选的，所述基于所述分割图像得到颜色序列的步骤，包括：对所述分割图像中元器件部分的每个像素点进行更新得到更新图像，所述更新图像中元器件部分所有像素点的灰度值依次排列得到颜色序列。
[0007]优选的，所述对所述分割图像中元器件部分的每个像素点进行更新得到更新图像的步骤，包括：以所述分割图像中每个元器件区域的像素点为中心点，获取所述中心点3*3邻域内的平均灰度值，将所述平均灰度值赋予所述中心点完成对所述中心点的更新，所有像素
点更新后得到更新图像。
[0008]本专利技术具有如下有益效果：通过获取元器件图像中每个标记点的角点值、纹理以及颜色等信息作为每个元器件的特征，基于多方面的特征进行检测结果更加可靠，且基于多个特征训练出的神经网络的精度更高；通过训练完成的神经网络，且结合每个电路板的初始图像中每个元器件图像的角点值、纹理以及颜色等信息进行电子元器件识别，得到的结果更加准确。
附图说明
[0009]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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得其它附图。
[0010]图1为本专利技术一个实施例所提供的一种基于机器学习的电子元器件识别方法流程图。
具体实施方式
[0011]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的一种基于机器学习的电子元器件识别方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0012]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0013]下面结合附图具体的说明本专利技术所提供的一种机器学习的电子元器件识别方法的具体方案。
[0014]请参阅图1，其示出了本专利技术一个实施例提供的一种机器学习的电子元器件识别方法流程图，该方法包括以下步骤：步骤S100，获取电路板表面的初始图像；提取初始图像中不同的元器件图像，对每个元器件图像进行边缘检测得到对应的边缘图像，对边缘图像中的边缘像素点标记得到标记点。
[0015]具体的，通过机器设备将一个电路板中的元器件安装在电路板上后，通过传送装置送到检测识别部分，判断是否元器件位置安装出现错误或者安装，在此过程中需要对电路板采集图像得到电路板表面的初始图像，通过初始图像进行分析电子元器件的种类以及位置。
[0016]首先，提取初始图像中不同元器件的元器件图像，对元器件图像进行灰度化处理，即后续处理中的元器件图像是经过灰度化处理后的图像。
[0017]然后，对元器件图像进行边缘检测得到对应的边缘图像，本专利技术实施例中边缘检测算法为Canny算子检测，在其他实施例中实施者可自行选择；边缘图像中包括元器件图像中的所有边缘像素点，对每个边缘像素点进行标记得到所有的标记点；由此得到每个元器
件图像中的标记点。
[0018]步骤S200，获取每个元器件图像中标记点的角点值，将所有标记点对应的角点值构成角点序列；利用LBP算子获取每个标记点的纹理值，所有标记点的纹理值构成纹理序列；对每个元器件图像进行图像分割得到分割图像，基于分割图像得到颜色序列。
[0019]由步骤S100中得到每个元器件图像中的标记点，获取每个标记点的角点值，角点值的具体计算为：分别得到待计算标记点与前后两个相邻标记点的坐标，进而得到标记点与前后两个相邻标记点之间的方向角度，基于两个方向角度获取标记点的角点值，即角点值的计算：其中，表示标记点c的角点值；)表示标记点c的坐标；)表示标记点c+1的坐标；)表示标记点c
‑
1的坐标；表示反正切函数。
[0020]对于矩形的电子元器件，大部分角点值都是0，因为大部分边缘点处在边缘线上，而同一边缘线上的边缘点角点值基本都为0；对于圆形来说，几乎所有边缘像素点的角点值都不为0，且有较大差异；而对于矩形且带引脚的元器件来说，其边缘像素点的角点值为0的居多，但是也存在相当一部分的不为0的像素边缘点，并且如果将所有边缘点都统一在一条曲线上，会存在一定的规律性质。
[0021]因此本专利技术实施例中将所有标记点对应的角点值构成一个序列记为角点序列，则角点序列为：；k表示该元器件图像中共有k个标记点。
[0022]进一步的，计算元器件的纹理特征，在灰度图像上，计算每个标记像素点的纹理值，该纹理值计算方式由LBP算子进行计算，LBP算法为公知算法，LBP算子的计算原理是以任意标记像素点作为中心像素点，选取该中心像素点的3*3邻域内的邻域像素点，以任意一个邻域像素点为初始点，将像素值大于中心像素点的邻域像素点记为1，将像素点小于中心像素点的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的电子元器件识别方法，其特征在于，该方法包括以下步骤：获取电路板表面的初始图像；提取所述初始图像中不同的元器件图像，对每个所述元器件图像进行边缘检测得到对应的边缘图像，对所述边缘图像中的边缘像素点标记得到标记点；获取每个所述元器件图像中标记点的角点值，将所有标记点对应的角点值构成角点序列；利用LBP算子获取每个标记点的纹理值，所有标记点的纹理值构成纹理序列；对每个所述元器件图像进行图像分割得到分割图像，基于所述分割图像得到颜色序列；以每张样本图像对应的角点序列、纹理序列以及颜色序列对神经网络进行训练，基于训练完成的神经网络获取每张待识别的初始图像中的优化元器件图像。2.根据权利要求1所述的一种基于机器学习的电子元器件识别方法，其特征在于，所述获取每个所述元器件图像中标记点的角点值的步骤，...

【专利技术属性】
技术研发人员：卢友彬，
申请(专利权)人：南通启锦智能科技有限公司，
类型：发明
国别省市：