CN110348484A - 一种用于极性电子器件分类的方法 - Google Patents

Abstract

本发明公开了一种用于极性电子器件分类的方法，步骤1、收集大量电路装配图，其中包含电子器件包含极性电子器件和非极性电子器的；步骤2、70％的图像数据，针对每张电路装配图提取电子器件图像，用于制作训练样本；步骤3、将步骤2中剩下的30％电路装配图提取出电子器件图像作为测试样本；步骤4、对步骤2中的图像数据库的图像进行HOG特征提取，步骤5、对步骤4中获得HOG特征利用支持向量机进行训练：获得分类超平面w，分类阈值b，经过反复的迭代训练，获得分类函数f(x)即分类模型，利用分类模型对步骤3中提取出的测试样本进行分类，获得极性电子器件图像和非极性电子器件图像。本发明能够准确、高效的对极性电子器件进行识别，适合广泛应用。

Description

一种用于极性电子器件分类的方法

技术领域

本发明涉及电子装配领域的自动化贴片贴装技术，特别涉及一种利用图像识别技术 识别电路装配图中电子器件的极性的方法。

背景技术

随着微电子行业的迅猛发展，表面贴装技术成为当今最为先进的电子装配技术之一。 经过几十年的发展，表面贴装技术自动化程度也越来越高。贴片机是表面贴装生产线中 最复杂、最核心的自动化设备。但是在贴装之前还需要采用大量人工方式进行原理图电子器件和实际物料的核对，特别是对于专业的贴片代工厂面对大量客户订单时，需要在 极短的时间内，在保证生产质量的前提下以最快的速度完成客户的订单。采用传统人工 方式对原理图中的元件进行分类已经不能满足现代化的生产要求，必须要采用更加先进 的技术取代进行人工极性元件的分类。图像处理和识别技术凭借其高效率、非接触性、 高可靠性和低成本的优点，在表面贴装技术中发挥着越来越重要的作用，已经被广泛应 用于现代贴片机系统中的贴片元件检测、吸嘴检测、基准点检测和印制电路板(PrintedCircuitBoard，PCB)等方面。

基于上述的现况，提出更先进的图像处理和识别技术以改进贴装效率等技术指标是 本发明亟待解决的技术问题。

发明内容

基于上述技术背景，本发明提出了一种用于极性电子器件分类的方法，通过对图像 数据库的图像进行梯度方向直方图特征提取，将提取的特征应用支持向量机分类算法进 行训练，获得图像分类模型；为了验证分类模型的泛化性，将未用于训练的电子器件图像用于测试，再次对分类模型进行参数优化，以提高分类的准确率和分类效率。

本发明提出一种用于极性电子器件分类的方法，该方法包括以下步骤：

步骤1、收集大量电路装配图，其中包含电子器件包含极性电子器件和非极性电子器的；

步骤2、利用收集的电路装配图制作极性电子器件图像数据库和非极性电子器件图 像数据库，所述极性电子器件图像数据库和非极性电子器件图像数据库中70％的图像数 据，针对每张电路装配图提取电子器件图像，用于制作训练样本，其中：提取出的带有极性电子器件图像标记为正样本，而提取出的非极性电子器件图像标记为负样本；

步骤3、将步骤2中剩下的30％的图像数据，针对每张电路装配图提取电子器件图像，用于制作测试样本；

步骤4、将步骤2中的所得训练样本利用HOG算法提取HOG特征，特征提取具体 步骤如下：

首先将输入图像按照一定大小划分成若干cell单元，整个图像由这若干个cell单元 组成且cell单元相互之间不重叠；

利用以下公式计算像素点(x,y)的梯度幅值和梯度方向：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

r(x,y)＝((G_x)²+(G_y)²)^1/2

上述公式中G_x(x,y)，G_y(x,y)，H(x,y)，r(x,y)，θ(x,y)分别表示输入图像中的像素点(x,y)处的水平方向梯度值、竖直方向梯度值、像素值、梯度幅值和梯度方向；

构建梯度直方图；

划分Block块，并对Block块内的梯度直方图进行归一化进行归一化；

将所有重叠的Block块的梯度直方图进行组合，形成HOG特征；

步骤5、对步骤4中获得HOG特征利用支持向量机进行训练：首先将HOG特征分 为两类，正样本的HOG特征标注为+1，负样本的HOG特征标注为-1，然后利用支持 向量机算法，对获取的HOG特征进行大量的迭代运算，最后获得一组支持向量即分类 超平面w，由于实际的训练过程当中需要引入一个分类阈值b，分类的阈值直观作用在 于调节正样本和负样本的分界线，经过大量反复的训练之后获得分类函数

f(x)＝wx+b

其中，x表示要分类的图像，分类函数也即分类模型，利用分类模型对步骤3中提取出的测试样本进行分类，在进行分类时分类模型对f(x)值进行判别，接近+1的图像 会被判别为正样本，接近-1的图像会被判别为负样本。

与现有技术相比，本发明能够准确、高效的对极性电子器件进行识别，适合广泛应用，所能达成的积极技术效果如下：

(1)能够根据极性电子器件本身特有某些的特征，结合机器学习(MachineLearning，ML)算法实现极性电子器件和非极性电子器件的智能分类；

(2)通过对电路装配图进行图像处理获取大量的极性电子器件图像和非极性电子器件图像，并且制作出极性电子器件图像数据库和非极性电子器件图像数据；

(3)分类模型经过测试集测试之后，进行调节优化使分类准确率进一步提高，使之能够满足日常的极性电子器件分类的要求。

附图说明

图1为本发明的一种用于极性电子器件分类的方法整体流程示意图；

图2为电路装配图示意图，图中是某个手机生产商的手机电路装配图的局部图像，其中极性电子器件均已用圆圈标示出来，未标示的元件均归类为非极性电子器件。

图3为极性器件图像数据库的正样本实例示意图；图中为从每张电路装配图中提取 出的带有极性电子器件图像并标记为正样本的实例；

图4为极性电子器件图像及其HOG特征图像；

图5为分类模型训练算法流程图。

具体实施方式

下面将结合示例对本发明的技术方案作详细描述。

本发明的整体思路是考虑到极性电子器件图像的边缘特征和几何特征，利用梯度直 方图对图像几何的和光学的形变都能保持很好的不变性的特点进行电子器件图像特征的提取；由于支持向量机在模式识别领域尤其是解决二分类问题中所表现出来的优越性，选择将支持向量机作为这个发明的分类算法，对于分类结果的准确性和识别速度有了很大程度提升。

如图1所示，本发明的一种用于极性电子器件分类的方法，该方法具体包括以下步骤：

步骤1、收集日常工作中所用到电路装配图以及在互联网上搜集已经被公开并且授 权使用的电路装配图，收集内容主要为包含大量电子器件的电路装配图，电路装配图含有极性电子器件和非极性电子器件；

步骤2、利用收集的电路装配图制作极性电子器件图像数据库和非极性电子器件图 像数据库；其具体内容为将收集的电路装配图的70％用于制作数据库，从每张电路装配图中提取出的带有极性电子器件图像并标记为正样本，而提取出的非极性电子器件图像标记为负样本；

步骤3、将步骤2中所剩下的30％电路装配图提取出电子器件图像用于制作测试样本；提取方法跟步骤2类似，制作出的样本作为测试集用于验证步骤4中所获取分类的 模型的性能，进行测试时并不像训练分类模型时那样指明样本的正、负属性。

步骤4、将步骤2中的所得训练样本利用HOG算法提取HOG特征，具体的特征提 取步骤如下：

(1)输入图像分块

首先将输入图像按照一定大小划分成若干cell单元，整个图像由这若干个cell单元 组成且cell单元相互之间不重叠；

(2)梯度值计算

利用公式(1)、(2)、(3)计算像素点(x,y)的梯度幅值和利用公式(4)计算梯度 方向。

G_x(x,y)＝H(x+1,y)-H(x-1,y) (1)

G_y(x,y)＝H(x,y+1)-H(x,y-1) (2)

r(x,y)＝((G_x)²+(G_y)²)^1/2 (3)

上述公式中G_x(x,y)，G_y(x,y)，H(x,y)，r(x,y)，θ(x,y)分别表示输入图像中的像素点(x,y)处的水平方向梯度值、竖直方向梯度值、像素值、梯度幅值和梯度方向；

(3)构建梯度直方图

将Cell的梯度方向180度等分成n个被称为Bin的方向块，统计cell单元的n维梯度幅值。由于实验中不考虑负方向，故需先将出现的负方向先转化到对应的0～180度的 某个值；

(4)划分Block块，并进行归一化

每个Block块由若干个cell单元组成，且Block块之间可以出现重叠，对Block块内的梯度直方图进行归一化；

(5)形成HOG特征；将所有重叠的Block块的梯度直方图进行组合，形成HOG 特征。

步骤5、利用提取的HOG特征由支持向量机(SupportVectorMachine，SVM)分 类模型进行训练，如图5所示的分类模型训练算法流程图，该分类模型训练的具体流程 为：将正样本图像和负样本图像作为训练样本准备输入；对输入的图像进行灰度化、二 值化、统一大小等一些预处理操作，便于特征的提取；对经过预处理的图像进行HOG 特征提取；然后利用支持向量机算法，对获取的HOG特征进行大量的迭代运算，最后 获得一组支持向量(分类超平面w)，由于实际的训练过程当中需要引入一个分类阈值 b，分类的阈值直观作用在于调节正样本和负样本的分界线，经过大量反复的训练之后 获得分类函数f(x)＝wx+b，其中x代表要分类的图像。分类函数也即分类模型，利用 分类模型对步骤3中提取出的测试样本进行分类，在进行分类时分类模型对f(x)值进行 判别，接近+1的图像会被判别为正样本，接近-1的图像会被判别为负样本。

举例：图4左图是一张经过预处理操作的电子器件图像，图4右图是左图经过HOG算法处理之后获得HOG特征图，将大量截取的电子器件图像通过上述步骤获得HOG 特征，再由SVM训练获得分类模型。获得的分类模型就可以在实际生产中进行应用。 图3就是由训练获得分类模型经过处理之后的图像，其中的圆圈就是识别的结果，跟图 2进行对比之后可以得出，分类模型的识别率还是非常高。

Claims (1)

1.一种用于极性电子器件分类的方法，其特征在于，该方法包括以下步骤：

步骤1、收集大量电路装配图，其中包含电子器件包含极性电子器件和非极性电子器的；

步骤2、利用收集的电路装配图制作极性电子器件图像数据库和非极性电子器件图像数据库，所述极性电子器件图像数据库和非极性电子器件图像数据库中70％的图像数据，针对每张电路装配图提取电子器件图像，用于制作训练样本，其中：提取出的带有极性电子器件图像标记为正样本，而提取出的非极性电子器件图像标记为负样本；

步骤3、将步骤2中剩下的30％的图像数据，针对每张电路装配图提取电子器件图像，用于制作测试样本；

步骤4、将步骤2中的所得训练样本利用HOG算法提取HOG特征，特征提取具体步骤如下：

首先将输入图像按照一定大小划分成若干cell单元，整个图像由这若干个cell单元组成且cell单元相互之间不重叠；

利用以下公式计算像素点(x，y)的梯度幅值和梯度方向：

G_x(x，y)＝H(x+1，y)-H(x-1，y)

G_y(x，y)＝H(x，y+1)-H(x，y-1)

r(x，y)＝((G_x)²+(G_y)²)^1/2

上述公式中G_x(x，y)，G_y(x，y)，H(x，y)，r(x，y)，θ(x，y)分别表示输入图像中的像素点(x，y)处的水平方向梯度值、竖直方向梯度值、像素值、梯度幅值和梯度方向；

构建梯度直方图；

划分Block块，并对Block块内的梯度直方图进行归一化进行归一化；

将所有重叠的Block块的梯度直方图进行组合，形成HOG特征；

步骤5、对步骤4中获得HOG特征利用支持向量机进行训练：首先将HOG特征分为两类，正样本的HOG特征标注为+1，负样本的HOG特征标注为-1，然后利用支持向量机算法，对获取的HOG特征进行大量的迭代运算，最后获得一组支持向量即分类超平面w，由于实际的训练过程当中需要引入一个分类阈值b，分类的阈值直观作用在于调节正样本和负样本的分界线，经过大量反复的训练之后获得分类函数

f(x)＝wx+b

其中，x表示要分类的图像，分类函数也即分类模型，利用分类模型对步骤3中提取出的测试样本进行分类，在进行分类时分类模型对f(x)值进行判别，接近+1的图像会被判别为正样本，接近-1的图像会被判别为负样本。