本發(fā)明涉及圖像識別，特別是涉及一種電子元器件缺陷識別方法。

背景技術(shù)：

1、隨著社會經(jīng)濟的發(fā)展、工業(yè)化社會的推進，工業(yè)生產(chǎn)領域人工智能系統(tǒng)飛速發(fā)展，電子產(chǎn)品應用隨之提高，電子元器件作為電子產(chǎn)品的重要構(gòu)件，其質(zhì)量的好壞直接影響電子產(chǎn)品使用效果。

2、電子元器件通常由很多部件構(gòu)成，且構(gòu)成部件的體積較小，在生產(chǎn)過程中容易出現(xiàn)組裝漏裝部件的現(xiàn)象，并且通過rgb相機很難獲得元器件內(nèi)部的部件組裝情況，因而需利用x光機采集保險的內(nèi)部信息圖像。

3、但是，由于x光機拍攝的圖像清晰度相對小，同時其顏色信息豐富度也相對較少，因而檢測時其很容易出現(xiàn)誤檢現(xiàn)象。因此，設計一種電子元器件缺陷識別方法是十分有必要的。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種電子元器件缺陷識別方法，以通過邊緣檢測技術(shù)提高圖像識別的精確度，并通過人工智能實現(xiàn)自動化檢測。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、一種電子元器件缺陷識別方法，包括如下步驟：

4、采集電子元器件的結(jié)構(gòu)圖像，并對結(jié)構(gòu)圖像進行降噪處理，得到降噪圖像；

5、通過圖像分割技術(shù)將降噪圖像劃分為若干個分割圖像；

6、提取全部分割圖像的顯著點；

7、分別計算分割圖像中全部像素點的特征矩陣；

8、通過神經(jīng)網(wǎng)絡模型得到全部特征矩陣的特征向量；

9、計算特征向量的相似度，若計算結(jié)果未超過相似度閾值，則認為特征向量對應的結(jié)構(gòu)圖像內(nèi)存在缺陷。

10、可選地，對結(jié)構(gòu)圖像進行降噪處理的具體方法為：通過高斯濾波器對結(jié)構(gòu)圖像進行濾波降噪處理；濾波降噪的具體公式為：；其中 ，為降噪圖像，為結(jié)構(gòu)圖像， x為圖像中像素的的橫坐標， y為圖像中像素的縱坐標， i為橫坐標的增量， j為縱坐標的增量， g( x,y)為高斯濾波器的權(quán)重， k為高斯濾波器的大小。

11、可選地，圖像分割技術(shù)采用灰度閾值分割法。

12、可選地，提取全部分割圖像的顯著點，具體步驟如下：

13、計算分割圖像各個像素點的特征幅值和特征方向，將特征方向相同的像素點的特征幅值進行對比，選取特征幅值最大的像素點作為顯著點。

14、可選地，特征幅值的計算公式為：；其中，m為特征幅值，分別為像素點8個方向的變化率；像素點8個方向分別為：水平的左右方向、垂直的上下方向、左上、左下、右上和右下。

15、可選地，特征方向的計算公式為：；其中，為特征方向的角度值，為水平方向參數(shù)，為垂直方向參數(shù)。

16、可選地，分別計算分割圖像中全部像素點的特征矩陣，具體步驟為：將像素點8個方向上的單位向量進行向量組合，得到特征矩陣；特征矩陣的表達式為：a=（α1，α2，....，α8）；其中，a為特征矩陣，α1~α8分別為8個方向上的單位向量。

17、可選地，神經(jīng)網(wǎng)絡模型為卷積神經(jīng)網(wǎng)絡模型。

18、可選地，特征向量的相似度的計算公式為：

19、；

20、其中，t為相似度，為目標特征向量，為目標特征向量相鄰的第n個特征向量。

21、可選地，灰度閾值分割法的具體步驟為：

22、獲取降噪圖像全部像素點的灰度值；

23、統(tǒng)計不同灰度值的出現(xiàn)頻率并生成灰度直方圖；

24、通過對灰度直方圖中的灰度值和出現(xiàn)頻率進行加權(quán)平均操作得到灰度閾值；

25、將全部像素點均與灰度閾值進行比較，篩選出灰度值高于灰度閾值的像素點；

26、以篩選出的像素點為中心分別劃分出不同大小的分割圖像。

27、根據(jù)本發(fā)明提供的具體實施例，本發(fā)明公開了以下技術(shù)效果：本發(fā)明提供的電子元器件缺陷識別方法，該方法包括：采集電子元器件的x光結(jié)構(gòu)圖像，并對結(jié)構(gòu)圖像進行降噪處理，得到降噪圖像；通過圖像分割技術(shù)將降噪圖像劃分為若干個分割圖像；提取全部分割圖像的顯著點；分別計算全部顯著點的特征矩陣；通過神經(jīng)網(wǎng)絡模型得到全部特征矩陣的特征向量；計算特征向量的相似度，若計算結(jié)果高于相似度閾值，則認為特征向量對應的結(jié)構(gòu)圖像內(nèi)存在缺陷。該方法通過邊緣檢測技術(shù)提高了圖像識別的精確度，并通過人工智能實現(xiàn)了自動化檢測。

技術(shù)特征：

1.一種電子元器件缺陷識別方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的電子元器件缺陷識別方法，其特征在于，對所述結(jié)構(gòu)圖像進行降噪處理的具體方法為：通過高斯濾波器對所述結(jié)構(gòu)圖像進行濾波降噪處理；所述濾波降噪的具體公式為：；其中，為降噪圖像，為結(jié)構(gòu)圖像，x為圖像中像素的橫坐標，y為圖像中像素的縱坐標，i為橫坐標的增量，j為縱坐標的增量，g(x,y)為高斯濾波器的權(quán)重，k為高斯濾波器的大小。

3.根據(jù)權(quán)利要求1所述的電子元器件缺陷識別方法，其特征在于，所述圖像分割技術(shù)采用灰度閾值分割法。

4.根據(jù)權(quán)利要求1所述的電子元器件缺陷識別方法，其特征在于，提取全部所述分割圖像的顯著點，具體步驟如下：

5.根據(jù)權(quán)利要求4所述的電子元器件缺陷識別方法，其特征在于，所述特征幅值的計算公式為：；其中，m為特征幅值，分別為像素點8個方向的變化率；所述像素點8個方向分別為：水平的左右方向、垂直的上下方向、左上、左下、右上和右下。

6.根據(jù)權(quán)利要求5所述的電子元器件缺陷識別方法，其特征在于，所述特征方向的計算公式為：；其中，為特征方向的角度值，為水平方向參數(shù)，為垂直方向參數(shù)。

7.根據(jù)權(quán)利要求5所述的電子元器件缺陷識別方法，其特征在于，分別計算所述分割圖像中全部像素點的特征矩陣，具體步驟為：將所述像素點8個方向上的單位向量進行向量組合，得到所述特征矩陣；所述特征矩陣的表達式為：a=（α1，α2，....，α8）；其中，a為特征矩陣，α1~α8分別為8個方向上的單位向量。

8.根據(jù)權(quán)利要求1所述的電子元器件缺陷識別方法，其特征在于，所述神經(jīng)網(wǎng)絡模型為卷積神經(jīng)網(wǎng)絡模型。

9.根據(jù)權(quán)利要求5所述的電子元器件缺陷識別方法，其特征在于，所述特征向量的相似度的計算公式為：

10.根據(jù)權(quán)利要求3所述的電子元器件缺陷識別方法，其特征在于，所述灰度閾值分割法的具體步驟為：

技術(shù)總結(jié)
本發(fā)明提供了一種電子元器件缺陷識別方法，涉及圖像識別技術(shù)領域，該方法包括：采集電子元器件的結(jié)構(gòu)圖像，并對結(jié)構(gòu)圖像進行降噪處理，得到降噪圖像；通過圖像分割技術(shù)將降噪圖像劃分為若干個分割圖像；提取全部分割圖像的顯著點；分別計算分割圖像中全部像素點的特征矩陣；通過神經(jīng)網(wǎng)絡模型得到全部特征矩陣的特征向量；計算特征向量的相似度，若計算結(jié)果未超過相似度閾值，則認為特征向量對應的結(jié)構(gòu)圖像內(nèi)存在缺陷。該方法通過邊緣檢測技術(shù)提高了圖像識別的精確度，并通過人工智能實現(xiàn)了自動化檢測。

技術(shù)研發(fā)人員：趙臣龍
受保護的技術(shù)使用者：俐瑪光電科技（北京）有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/9/9