[0037]圖7是其中一個實施例中電子元件極性方向的快速識別系統(tǒng)的結(jié)構(gòu)示意圖；
[0038]圖8是其中一個實施例中電子元件極性方向的快速識別系統(tǒng)的結(jié)構(gòu)示意圖；
[0039]圖9是其中一個實施例中電子元件極性方向的標注系統(tǒng)的結(jié)構(gòu)示意圖。
【具體實施方式】
[0040]為使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步的詳細說明。應(yīng)當理解，此處所描述的【具體實施方式】僅僅用以解釋本發(fā)明，并不限定本發(fā)明的保護范圍。
[0041]參見圖1所示，為本發(fā)明的電子元件極性方向的快速識別方法實施例。如圖1所示，該實施例中的電子元件極性方向的快速識別方法包括以下步驟:
[0042]步驟S101:獲取包含目標電子元件的圖像；
[0043]在本步驟中，包含電子元件的圖像可以是需要識別電子元件極性的PCB板卡圖像，也可以是其他需要識別電子元件極性的圖像。
[0044]步驟S102:利用訓練后的卷積神經(jīng)網(wǎng)絡(luò)對包含目標電子元件的圖像數(shù)據(jù)作前向計算，獲得目標電子元件的極性方向類別的分類特征，根據(jù)分類特征獲取目標電子元件屬于各類電子元件的各種極性方向類別的概率分布；
[0045]在本步驟中，主要是利用訓練后的卷積神經(jīng)網(wǎng)絡(luò)中相互連接的卷積模塊和全連接層對包含目標電子元件的圖像數(shù)據(jù)作前向計算，包含目標電子元件的圖像數(shù)據(jù)經(jīng)過卷積模塊和全連接層后可以獲得目標電子元件的極性方向類別的分類特征;各種極性方向類別是指各種電子元件的各種極性方向，包括了多種電子元件，獲取的概率分布可以適用于各種電子元件；訓練后的卷積神經(jīng)網(wǎng)絡(luò)可以對圖像進行操作，對其中的目標電子元件的極性方向進行識別，獲得概率分布。
[0046]步驟S103:選取概率最大的極性方向類別作為目標電子元件的極性方向類別。
[0047]上述步驟S10US102和S103是使用訓練后的卷積神經(jīng)網(wǎng)絡(luò)進行在線測試的過程。
[0048]本實施方式的電子元件極性方向的快速識別方法，其是獲取包括目標電子元件的圖像，再利用訓練后的卷積神經(jīng)網(wǎng)絡(luò)對其作前向計算，獲得目標電子元件的極性方向類別的分類特征，再獲取目標電子元件屬于各類電子元件的各種極性方向類別的概率分布，選取其中概率最大的極性方向類別作為目標電子元件的極性方向類別。此方案中使用了卷積神經(jīng)網(wǎng)絡(luò)，通過卷積神經(jīng)網(wǎng)絡(luò)可以自動精準地識別電子元件的極性方向，而且并不針對特定的電子元件結(jié)構(gòu)，適用于各種帶極性的電子元件，實現(xiàn)跨類別的電子元件的極性方向識另IJ，適用性較廣。
[0049]在其中一個實施例中，利用訓練后的卷積神經(jīng)網(wǎng)絡(luò)對包含目標電子元件的圖像數(shù)據(jù)作前向計算，獲得目標電子元件的極性方向類別的分類特征的步驟包括以下步驟:
[0050]通過卷積層對圖像數(shù)據(jù)進行卷積運算，接著通過激活函數(shù)層進行非線性變換，再通過池化層進行池化操作，然后通過全連接層獲得目標電子元件的極性方向類別的分類特征，其中，卷積神經(jīng)網(wǎng)絡(luò)包括卷積模塊和全連接層，卷積模塊包括依次連接的卷積層、激活函數(shù)層和池化層。
[0051]在本實施例中，通過卷積模塊中依次連接的卷積層、激活函數(shù)層和池化層以及與卷積模塊連接的全連接層可以獲得較好的分類特征。
[0052]優(yōu)選的，激活函數(shù)層可以為ReLU函數(shù)層。
[0053]如圖2所示，卷積模塊包括依次連接的卷積層、ReLU函數(shù)層和池化層，通過卷積層對目標電子元件的圖像數(shù)據(jù)進行卷積運算，接著通過ReLU函數(shù)層進行非線性變換，再通過池化層進行池化操作，然后通過全連接層獲得目標電子元件的極性方向類別的分類特征。
[0054]卷積神經(jīng)網(wǎng)絡(luò)的卷積模塊中的ReLU函數(shù)是一種激活函數(shù)，可以用于非線性變換；池化層用于進行池化操作，可以對圖像樣本的不同位置的特征進行聚合統(tǒng)計，而且不會使最后的結(jié)果出現(xiàn)過擬合的問題。
[0055]卷積神經(jīng)網(wǎng)絡(luò)的表達能力非常強，可有效解決在多分類任務(wù)中的精度不高問題，即便在跨類別的電子元件極性方向識別任務(wù)中，亦可達到非常高的準確率。
[0056]在其中一個實施例中，訓練后的卷積神經(jīng)網(wǎng)絡(luò)通過以下步驟獲得:
[0057]建立各類電子元件的各種極性方向的圖像樣本集；
[0058]利用卷積神經(jīng)網(wǎng)絡(luò)中相互連接的卷積模塊和全連接層對圖像樣本集的各圖像樣本數(shù)據(jù)分別進行前向計算，獲得各類電子元件的各種極性方向類別的分類特征，根據(jù)各分類特征訓練卷積神經(jīng)網(wǎng)絡(luò)，使卷積神經(jīng)網(wǎng)絡(luò)識別各類電子元件的各種極性方向。
[0059]在訓練卷積神經(jīng)網(wǎng)絡(luò)時使用外部數(shù)據(jù)集可以加強卷積神經(jīng)網(wǎng)絡(luò)的識別，但對硬件計算能力要求較高，通常需要中高端GHJ才能滿足實際的計算速度需求，因此提高了硬件成本。本發(fā)明技術(shù)方案不必使用外部數(shù)據(jù)集對卷積神經(jīng)網(wǎng)絡(luò)進行訓練，可在低成本的硬件配置下，精準快速地對電子元件進行自動極性方向判斷，適用于各類電子元件(如電容、插座、電阻等)。該方案主要特點是不依賴于特殊硬件機構(gòu)，成本較低，大大降低了算法對硬件計算能力和存儲空間的要求，解決了高精度技術(shù)方案成本較高的問題。
[0060]目前，現(xiàn)有的電子元件極性方向的識別方法往往利用的是電子元件的顏色信息等低層圖像特征，這種傳統(tǒng)方法對于許多應(yīng)用場景都過于簡單，魯棒性較低，適用范圍也受限，效果較差;而本方案中使用卷積神經(jīng)網(wǎng)絡(luò)學習多層特征表示方式(包括低層、中層、高層圖像特征，而不僅僅是低層圖像特征)，并綜合這樣的多層特征去識別電子元件極性方向，從而大大提升識別精度，也擴展了適用范圍。
[0061]通過本步驟，可以根據(jù)各類電子元件的各種極性方向的圖像樣本集對卷積神經(jīng)網(wǎng)絡(luò)進行離線訓練，使卷積神經(jīng)網(wǎng)絡(luò)能夠識別圖像中電子元件的極性方向信息，從而可以在在線測試中使用該訓練后的卷積神經(jīng)網(wǎng)絡(luò)對目標電子元件的極性方向進行識別。
[0062]在其中一個實施例中，建立各類電子元件的各種極性方向的樣本集的步驟包括以下步驟:
[0063]獲取PCB板卡圖像和PCB模板圖，并以PCB模板圖為參考，對PCB板卡圖像進行位置配準；
[0064]截取位置配準后PCB板卡圖像上的各類電子元件圖像，以PCB模板圖中的各類電子元件對各類電子元件圖像中相應(yīng)的電子元件進行匹配，獲得各類電子元件圖像中相應(yīng)電子元件的精確位置，根據(jù)相應(yīng)電子元件的精確位置對相應(yīng)電子元件進行調(diào)整，使相應(yīng)電子元件位于各類電子元件圖像的中心，獲得各類電子元件的各種極性方向的圖像樣本集。
[0065]通過上述方式獲取的圖像樣本集均是直接從PCB板卡圖像上截取的，都是實際電子元件的圖像，更具有指導性。
[0066]優(yōu)選的，可以在PCB板卡生產(chǎn)線上架設(shè)攝像頭，并批量采集不同型號的PCB板卡圖像，并以板卡跟蹤技術(shù)避免重復拍攝某一張PCB板卡，這樣每種型號的PCB板卡均包含多個圖像樣本，每個圖像樣本對應(yīng)某一型號的某張PCB板卡;在采集PCB板卡圖像時需要保存相應(yīng)的PCB模板圖；
[0067]多個圖像樣本中的PCB板卡圖像位置可能偏移，需要以相應(yīng)型號的PCB模板圖作為參考，對每個圖像樣本進行圖像配準，并利用該型號PCB板卡的電子元件位置信息(來自板式文件或人工標注)自動截取電子元件圖片，并根據(jù)電子元件類別信息(來自板式文件或人工標注)對電子元件圖片進行自動標注；
[0068]以PCB模板圖中的電子元件匹配進一步求得圖像樣本中電子元件的精確位置，對電子元件圖像進行對齊調(diào)整，以保證電子元件位于圖像中心位置，獲得電子元件的各種極性方向的圖像樣本集。
[0069]在其中一個實施例中