【技术实现步骤摘要】
本专利技术涉及电子元件检测，具体为基于dnn检测算法和ai智能识别检测方法及电子设备。
技术介绍
1、深度神经网络(dnn)是一种多层无监督神经网络，并且将上一层的输出特征作为下一层的输入进行特征学习，通过逐层特征映射后，将现有空间样本的特征映射到另一个特征空间，。深度神经网络具有多个非线性映射的特征变换，可以对高度复杂的函数进行拟合，人工智能是智能学科重要的组成部分，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
2、现有的元件检测存在的缺陷是：
3、1、申请文件cn111771143a公开了检测元件、检测元件的制造方法以及检测装置，“检测元件，具备：基板，具有第1面及与第1面对置的第2面，并设置了在基板的厚度方向的两个部位具有相互不同的内径的贯通孔；贯通电极，被配置于贯通孔；第1电极，与贯通电极连接，并被配置于第1面上；图案电极，与贯通电极连接，并被配置于第2面侧；以及第2电极，被配置于第1面，并与第1电极隔离开配置”，但是在电子元件检测过程中，大部分检测设备不具备自动学习并优化的功能，仅根据设定好的程序进行检测，不够灵活；
4、2、申请文件cn11385706
技术实现思路
1、本专利技术的目的在于提供基于dnn检测算法和ai智能识别检测方法及电子设备，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：基于dnn检测算法和ai智能识别检测方法及电子设备，包括设备本体、位于设备本体内部的检测模块、ai模块、学习模块和标记模块，所述设备本体用于对电子元件进行检测，对内部的多个模块进行保护，所述设备本体的上方安装有显示屏，方便工作人员查看元器件的数据，所述设备本体的两侧外壁均设有固定孔，固定孔方便电子元件的进出；
3、检测模块位于设备本体的内部，检测模块用于对电子元件进行检测，检测模块包括识别单元、检测单元、记录单元、上传单元；
4、识别单元，通过红外传感器判断电子元件是否进入到设备本体的内部，红外传感器的检测范围设置在10-25cm，红外传感器检测电子元件进入到固定孔内部时，通过5ghz的无线信号传递给检测单元；
5、检测单元，接收到红外传感器的无线信号后，通过设置在固定孔内部的伸缩检测探头对电子元件进行通电检测，检测时间为3-7秒，重复检测3-5次，通过检测探头检测电子元件是否能够正常工作，内部的电流、电压是否处于正常范围，将多次检测的结果通过无线信号发送给记录单元；
6、记录单元，将接收到的检测数据进行记录储存，使用容量为128g-1024g的硬盘进行储存，储存速度为50mb/s~110/mb/s；
7、上传单元，将检测单元检测的数据信号上传到云服务器中，并将数据信息再次储存备份。
8、优选的，所述ai模块设置在固定孔内部的上方，在固定孔内部的上方设有摄像头，摄像头的周围设置有补光灯，在进行拍照时进行补光，补光灯亮度设置为500-1000lm，在检测单元检测完成后摄像头对电子元件进行拍照，ai模块包括数据库单元，拍照单元、对比单元和学习单元。
9、优选的，数据库单元，预先将电子元件完好无损的照片数据传输到ai模块的数据库中，数据库中的图片为5000-13000张；
10、拍照单元，选择像素为200-400万像素的摄像头，自动变焦，焦距为3.6~8mm，在电子元件经过摄像头时，快速拍摄5-12张照片；
11、对比单元，在拍摄的多个照片中分别与数据库中的照片进行对比，对比失败的视为残次品，通过标记模块进行标记；
12、学习单元，ai模块通过卷积神经网络对拍摄照片的图像特征进行提取和学习，卷积运算用星号表示，卷积的第一个参数为输入，第二个参数被称为核函数，输出为特征映射，将一张二维的图像i作为输入，用一个二维的核k。则s（i，j）=；
13、假设输入的形状是nh*nw，卷积核窗口形状是kh*kn，在布长为1的情况下，输出形状是（nh-kh+1）（nw-kw+1），如果在高的两侧填充ph行，在宽的两侧填充pw列，输出形状变成（nh-kh+ph+1）（nw-kw+pw+1）。
14、优选的，所述学习模块使用深度神经网络dnn进行学习优化，学习模块包括数据采集、数据整合、数据筛选、数据学习、数据储存和数据应用。
15、优选的，所述数据采集，确定采集数据的时间、地点、数据类型、数据量；
16、数据采集时间选择夜间23点至凌晨3点之间，对多个设备本体进行数据采集，数据的类型为传感器数据和图片数据，数据量为5-24gb。
17、优选的，所述数据整合，通过对数据进行清洗、去重、格式化等操作来确保数据的质量；
18、数据清洗包括如下步骤，一致性检查，一致性检查是根据每个变量的合理取值范围和相互关系，检查数据是否合乎要求，发现超出正常范围、逻辑上不合理或者相互矛盾的数据；
19、无效值和缺失值的处理，由于调查、编码和录入误差，数据中可能存在一些无效值和缺失值，需要给予适当的处理，常用的处理方法有估算，整例删除，变量删除和成对删除，估算是用某个变量的样本均值、中位数或众数代替无效值和缺失值，整例删除是剔除含有缺失值的样本，变量删除，某一变量的无效值和缺失值很多，而且该变量对于所研究的问题不重要，则将该变量删除，成对删除是用一个特殊码代表无效值和缺失值，同时保留数据集中的全部变量和样本；
20、数据去重，使用rowid方法、group by 方法、distinct方法中的一种进行数据去重；
21、数据格式化，将同类的数据格式转变为相同格式。
22、优选的，所述数据筛选，将数据库中的数据进行排序，去掉首尾各30-50组数据，将其他的数据保存。
23、优选的，所述数据学习，深度神经网络dnn分本文档来自技高网...
【技术保护点】
1.基于DNN检测算法和AI智能识别的检测方法，其特征在于：包括位于设备本体内部的检测模块、AI模块、学习模块和标记模块，所述设备本体的两侧外壁均设有固定孔，固定孔方便电子元件的进出；
2.根据权利要求1所述的基于DNN检测算法和AI智能识别的检测方法，其特征在于：所述AI模块设置在固定孔内部的上方，在固定孔内部的上方设有摄像头，摄像头的周围设置有补光灯，在进行拍照时进行补光，补光灯亮度设置为500-1000Lm，在检测单元检测完成后摄像头对电子元件进行拍照，AI模块包括数据库单元，拍照单元、对比单元和学习单元。
3.根据权利要求2所述的基于DNN检测算法和AI智能识别的检测方法，其特征在于：数据库单元，预先将电子元件完好无损的照片数据传输到AI模块的数据库中，数据库中的图片为5000-13000张；
4.根据权利要求1所述的基于DNN检测算法和AI智能识别的检测方法，其特征在于：所述学习模块使用深度神经网络DNN进行学习优化，学习模块包括数据采集、数据整合、数据筛选、数据学习、数据储存和数据应用。
5.根据权利要求4所述的基于DN
6.根据权利要求4所述的基于DNN检测算法和AI智能识别的检测方法，其特征在于：所述数据整合，通过对数据进行清洗、去重、格式化来确保数据的质量；
7.根据权利要求4所述的基于DNN检测算法和AI智能识别的检测方法，其特征在于：所述数据筛选，将数据库中的数据进行排序，去掉首尾各30-50组数据，将其他的数据保存。
8.根据权利要求4所述的基于DNN检测算法和AI智能识别的检测方法，其特征在于：所述数据学习，深度神经网络DNN分为三层，输入层、隐藏层和输出层，上一层的输出特征作为下一层的输入进行特征学习，通过逐层特征映射后，将现有空间样本的特征映射到另一个特征空间；
9.一种基于DNN检测算法和AI智能识别的电子设备，该电子设备是权利要求1-8任意一项所述的检测方法里所使用的设备本体，其特征在于：所述设备本体用于对电子元件进行检测，对内部的多个模块进行保护，检测模块、AI模块和标记模块均安装在固定孔的内部顶壁上，学习模块位于固定孔的上方，固定孔的内部设置有传送带，方便电子元件移动，所述设备本体的上方安装有显示屏，方便工作人员查看元器件的数据，所述标记模块位于固定孔的内部顶壁，标记模块包括颜料盒和自动喷枪，自动喷枪安装在颜料盒的下方，颜料盒与自动喷枪通过管道连接，自动喷枪接收摄像头和检测探头的信号，电子元件不合格时，自动喷枪喷出颜料，喷洒在不合格的电子元件上，方便工作人员区分。
...【技术特征摘要】
1.基于dnn检测算法和ai智能识别的检测方法，其特征在于：包括位于设备本体内部的检测模块、ai模块、学习模块和标记模块，所述设备本体的两侧外壁均设有固定孔，固定孔方便电子元件的进出；
2.根据权利要求1所述的基于dnn检测算法和ai智能识别的检测方法，其特征在于：所述ai模块设置在固定孔内部的上方，在固定孔内部的上方设有摄像头，摄像头的周围设置有补光灯，在进行拍照时进行补光，补光灯亮度设置为500-1000lm，在检测单元检测完成后摄像头对电子元件进行拍照，ai模块包括数据库单元，拍照单元、对比单元和学习单元。
3.根据权利要求2所述的基于dnn检测算法和ai智能识别的检测方法，其特征在于：数据库单元，预先将电子元件完好无损的照片数据传输到ai模块的数据库中，数据库中的图片为5000-13000张；
4.根据权利要求1所述的基于dnn检测算法和ai智能识别的检测方法，其特征在于：所述学习模块使用深度神经网络dnn进行学习优化，学习模块包括数据采集、数据整合、数据筛选、数据学习、数据储存和数据应用。
5.根据权利要求4所述的基于dnn检测算法和ai智能识别的检测方法，其特征在于：所述数据采集，确定采集数据的时间、地点、数据类型、数据量；
6.根据权利要求4所述的基于dnn检测算法和ai智能识别...
【专利技术属性】
技术研发人员：周云飞，邹翔，张洪岭，
申请(专利权)人：中创华源科技有限公司，
类型：发明
国别省市：
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。