CN111626177B - 一种pcb元件识别方法及装置 - Google Patents
一种pcb元件识别方法及装置 Download PDFInfo
- Publication number
- CN111626177B CN111626177B CN202010441361.5A CN202010441361A CN111626177B CN 111626177 B CN111626177 B CN 111626177B CN 202010441361 A CN202010441361 A CN 202010441361A CN 111626177 B CN111626177 B CN 111626177B
- Authority
- CN
- China
- Prior art keywords
- element identification
- model
- identification
- pcb
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 abstract description 14
- 230000000875 corresponding effect Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
根据本发明实施例公开的一种PCB元件识别方法及装置，对目标PCB图像中的所有元件候选区域进行提取，得到元件标识特征图以及元件位置信息；将元件标识特征图输入至训练完成的元件识别模型，识别各元件候选区域的元件类别；将所有的元件类别以及对应元件位置信息，作为目标PCB图像的元件识别结果进行输出。通过本发明的实施，采用神经网络模型对PCB图像中所有元件候选区域的元件标识进行元件类型识别，有效提高了元件识别效率和结果准确性，并降低了元件识别成本。
Description
技术领域
本发明涉及元件检测技术领域，尤其涉及一种PCB元件识别方法及装置。
背景技术
印制电路板(PCB，Printed Circuit Board)是组装电子零件用的基板，是在通用基材上按预定设计形成点间连接及印制元件的印制板。PCB的设计工艺流程包括原理图的设计、电子元件数据库登录、设计准备、区块划分、电子元件配置、配置确认、布线和最终检验。在流程过程中，无论在哪道工序上发现了问题，都必须返回到上道工序，进行重新确认或修正。
在实际应用中，PCB的电子元件配置确认是通过检测PCB上各个元件标识来实现，也即根据元件标识是否存在以及是否正确，来对相应元件是否正确配置进行确认。目前，在进行PCB的电子元件配置确认时，通常是由有丰富经验的专业人员人工进行元件识别，也即通过人眼来观察PCB上的电子元件的元件标识，然后再凭借个人经验识别是否缺少某些电子元件的元件标识，或者是否存在某些错误配置的电子元件的元件标识，然而，完全依赖人工在一定程度上无法保证元件识别的准确性，并且元件识别效率较低。
发明内容
本发明实施例的主要目的在于提供一种PCB元件识别方法及装置，至少能够解决相关技术中依赖于人工进行PCB元件识别，所导致的元件识别效率较低以及元件识别准确性有限的问题。
为实现上述目的，本发明实施例第一方面提供了一种PCB元件识别方法，该方法包括：
对目标PCB图像中的所有元件候选区域进行提取，得到元件标识特征图以及元件位置信息；
将所述元件标识特征图输入至训练完成的元件识别模型，识别各所述元件候选区域的元件类别；
将所有的所述元件类别以及对应所述元件位置信息，作为所述目标PCB图像的元件识别结果进行输出。
为实现上述目的，本发明实施例第二方面提供了一种PCB元件识别装置，该装置包括：
提取模块，用于对目标PCB图像中的所有元件候选区域进行提取，得到元件标识特征图以及元件位置信息；
识别模块，用于将所述元件标识特征图输入至训练完成的元件识别模型，识别各所述元件候选区域的元件类别；
输出模块，用于将所有的所述元件类别以及对应所述元件位置信息，作为所述目标PCB图像的元件识别结果进行输出。
根据本发明实施例提供的PCB元件识别方法及装置，对目标PCB图像中的所有元件候选区域进行提取，得到元件标识特征图以及元件位置信息；将元件标识特征图输入至训练完成的元件识别模型，识别各元件候选区域的元件类别；将所有的元件类别以及对应元件位置信息，作为目标PCB图像的元件识别结果进行输出。通过本发明的实施，采用神经网络模型对PCB图像中所有元件候选区域的元件标识进行元件类型识别，有效提高了元件识别效率和结果准确性，并降低了元件识别成本。
本发明其他特征和相应的效果在说明书的后面部分进行阐述说明，且应当理解，至少部分效果从本发明说明书中的记载变的显而易见。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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他的附图。
图1为本发明第一实施例提供的PCB元件识别方法的基本流程示意图；
图2为本发明第一实施例提供的神经网络模型训练方法的基本流程示意图；
图3为本发明第一实施例提供的神经网络模型测试方法的基本流程示意图；
图4为本发明第二实施例提供的一种PCB元件识别装置的结构示意图；
图5为本发明第二实施例提供的另一种PCB元件识别装置的结构示意图；
图6为本发明第三实施例提供的电子装置的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
第一实施例：
为了解决相关技术中依赖于人工进行PCB元件识别，所导致的元件识别效率较低以及元件识别准确性有限的技术问题，本实施例提出了一种PCB元件识别方法，如图1所示为本实施例提供的PCB元件识别方法的基本流程示意图，本实施例提出的PCB元件识别方法包括以下的步骤：
步骤101、对目标PCB图像中的所有元件候选区域进行提取，得到元件标识特征图以及元件位置信息。
具体的，在本实施例中，元件标识为电子元件上所印制的标识，主要包含英文字母、数字、汉字、图形符号或其它特殊标识等。本实施例在接收到上游成像系统所输出的PCB图像时，首先对该PCB图像进行元件候选区域(也即感兴趣区域)提取，获取得到各元件候选区域的元件标识特征图及对应位置信息，在实际应用中，每个元件候选区域的尺寸可能不一样，那么在输入神经网络模型之前，可以将这些元件候选区域规划到统一尺寸。
应当说明的是，作为本实施例一种优选的实施方式，元件候选区域提取可以基于候选区域提取网络(RPN，Region Proposal Network)实现，其中，候选区域提取网络是一个全卷积神经网络，对于任意尺度的图像特征图，采用一个大小为n×n的窗口在特征图上滑动，对于每次滑动都有以该窗口中点为锚点的多种不同尺寸和不同纵横比的二维边界框生成，将图像特征图中各个二维边界框区域内特征图映射成一个特定维度的特征向量，该特征向量对应了两部分的输出，也即该二维边界框对应在输入图像中的候选区域位置和该区域是与不是元件标识的概率(也即置信度)。
在本实施例一种可选的实施方式中，对目标PCB图像中的所有元件候选区域进行提取，得到元件标识特征图以及元件位置信息包括：对目标PCB图像进行图像预处理；对预处理后的目标PCB图像中的所有元件候选区域进行提取，得到元件标识特征图以及元件位置信息。
具体的，本实施例的图像预处理包括图像灰度化处理、图像滤波处理、图像对比度提升处理中至少一种。在本实施例中，首先将图像进行灰度化、滤波等预处理；并且由于PCB板的颜色、板上电子元件的颜色、电子元件标识的颜色有时候区分度不是特别高，导致的结果就是经过图像预处理后得到的灰度化图像对比度低，不利于后续网络模型进行标识字符的定位和识别，从而还进一步采用自适应提升对比度的图像处理算法来对图像进一步进行预处理，从而可以有效提高网络模型的元件识别能力。
步骤102、将元件标识特征图输入至训练完成的元件识别模型，识别各元件候选区域的元件类别。
具体的，本实施例基于深度学习算法来实现元件标识特征图对应的元件类别识别，其中，元件识别模型所采用的神经网络可以包括深度神经网络(DNN)，卷积神经网络(CNN)以及循环神经网络(RNN)中任意一种。在本实施例中，基于所构建的训练样本集，在特定的训练环境下采用一定的优化算法进行神经网络训练，其中在训练时的学习率和训练次数可以根据实际需求而定，在此不作唯一限定。
在本实施例中，在对神经网络模型进行训练之前，要先制作好针对PCB板电子元件标识符识别的数据集，数据集至少包含训练集。数据集主要是各种PCB板上电子元件的图像数据，如电容、电感、电阻等，元件上带有标识用来表征该元件的身份，然后对搜集到的数据进行手动标注，这样，带有分类标签的数据集就可以用来训练神经网络，使其具备标识识别能力，包括对字母、数字、少数特殊图形的识别。
步骤103、将所有的元件类别以及对应元件位置信息，作为目标PCB图像的元件识别结果进行输出。
具体的，在本实施例中，通过神经网络模型可以直接将PCB上的电子元件的标识符(通常是多个字符的组合)直接一次性全部检测与识别出来，可以有效简化元件识别流程，算法通用性高。
如图2为本实施例提供的一种神经网络模型训练方法的流程示意图，本实施例的神经网络模型训练方法具体包括以下步骤：
步骤201、将训练样本集输入至基于区域的卷积神经网络进行训练，得到本次迭代训练实际输出的预测分类标签；
步骤202、利用预设损失函数，将预测分类标签与对应的原始分类标签进行比对；
步骤203、判断比对结果是否满足预设模型收敛条件；若是，则执行步骤204，若否，则返回执行步骤201；
步骤204、将本次迭代训练得到的元件识别模型确定为训练完成的元件识别模型。
具体的，本实施例的神经网络优选的采用基于区域的卷积神经网络(R-CNN，Region-based Convolutional Neural Network)，该神经网络可以通过开源的机器学习框架tensorflow进行构造，并通过python开发语言编写其网络结构。在本实施例中，将训练过程重复多次迭代优化，将神经网络每次训练预测得到的输出与对应的原始标签文件数据做损失函数(Loss Function)计算，然后调整神经网络的权重等参数缩小下一次迭代的损失函数值，在损失函数值满足预先设定的标准(例如损失函数值停止降低)时，判定满足模型收敛条件，即完成了整个深度神经网络模型的训练过程。
如图3为本实施例提供的一种神经网络模型测试方法的流程示意图，本实施例的神经网络模型测试方法具体包括以下步骤：
步骤301、获取包括多个标注有原始分类标签的测试样本图像的测试样本集；
步骤302、将测试样本集中的所有测试样本图像输入至元件识别模型，得到测试分类标签；
步骤303、将测试分类标签与原始分类标签进行相关度匹配；
步骤304、在匹配通过时，确定元件识别模型有效。
具体的，本实施例预置的数据集中还包括有测试集，测试集图像与其对应标记的原始分类标签组成测试样本，本实施例中在训练完成元件识别模型之后，还利用测试样本来验证元件识别模型的有效性，也即将测试样本集中的测试样本图像输入至训练完成的元件识别模型，然后比较其输出的分类标签与测试样本中的原始标签文件的相关性，来确定模型的有效性。在测试输出标签与原始标签之间的相关度大于预设阈值时，可以确定训练完成的元件识别模型为有效、正确的模型，则可以将元件标识特征图输入至该训练完成的元件识别模型，识别各元件候选区域的元件类别；反之，则说明所训练得到的元件识别模型存在错误，需要重新训练元件识别模型。
在本实施例一种可选的实施方式中，在将元件标识特征图输入至训练完成的元件识别模型之前，还包括：根据元件识别模型的特征识别属性，从所有元件标识特征图中筛选出符合模型识别条件的目标元件标识特征图。相对应的，将元件标识特征图输入至训练完成的元件识别模型包括：将目标元件标识特征图输入至训练完成的元件识别模型。
具体的，在实际应用中，元件标识大多以英文字母和阿拉伯数字组合而成，从图形形态特征的角度而言，有些字符之间局部形态较为接近，如6和9、0与8，甚至个别字符形态整体相似，如数字1与字母I，数字0与字母O。本实施例考虑到神经网络模型对这些字符的识别效果具有一定程度的局限性，因此在元件识别时，将符合模型识别条件的元件标识特征图输入至元件识别模型进行识别，以提高元件识别结果的准确性。应当说明的是，本实施例在前期模型训练过程中，可以把测试结果表现不好的图像数据进行保存，然后以此来制定模型识别条件。
进一步地，在本实施例中，在根据元件识别模型的特征识别属性，从所有元件标识特征图中筛选出符合模型识别条件的目标元件标识特征图之后，还具体包括：将所有元件标识特征图中除目标元件标识特征图之外的剩余元件标识特征图，输入至预设专家系统，其中，专家系统包括知识库和推理机，知识库包括元件标识特征图以及专家对应标注的分类标签；控制推理机调用知识库，识别对应于剩余元件标识特征图的元件类别。
具体的，专家系统(ES)定义为：使用人类专家推理的计算机模型来处理现实世界中需要专家作出解释的复杂问题，并得出与专家相同的结论。简言之，专家系统可视作“知识库(knowledge base)”和“推理机(inference machine)”的结合。知识库系统的主要工作是搜集人类的知识，将之有系统地表达或模块化，使计算机可以进行推论、解决问题。推理机是由算法或决策策略来进行与知识库内各项专门知识的推论，依据使用者的问题来推得正确的答案。
在本实施例中，为了弥补上述元件识别模型对电子元件特殊标识有限的识别能力，通过构建专家系统，当出现元件识别模型难区分的字母数字、汉字、特殊图形标识符等元件标识时，对这些数据进行标注，作为“知识”存放于专家系统的知识库，并针对该数据建立规则及其推理机制。当遇到模型难以辨认的标识时自动将任务分发给专家系统，由专家系统结合知识库和推理机来识别对应元件标识。以此，通过结合深度学习和专家系统，可以实现PCB上元件类别的全面、准确识别。
根据本发明实施例提供的PCB元件识别方法，对目标PCB图像中的所有元件候选区域进行提取，得到元件标识特征图以及元件位置信息；将元件标识特征图输入至训练完成的元件识别模型，识别各元件候选区域的元件类别；将所有的元件类别以及对应元件位置信息，作为目标PCB图像的元件识别结果进行输出。通过本发明的实施，采用神经网络模型对PCB图像中所有元件候选区域的元件标识进行元件类型识别，有效提高了元件识别效率和结果准确性，并降低了元件识别成本。
第二实施例：
为了解决相关技术中依赖于人工进行PCB元件识别，所导致的元件识别效率较低以及元件识别准确性有限的技术问题，本实施例示出了一种PCB元件识别装置，具体请参见图4，本实施例的PCB元件识别装置包括：
提取模块401，用于对目标PCB图像中的所有元件候选区域进行提取，得到元件标识特征图以及元件位置信息；
识别模块402，用于将元件标识特征图输入至训练完成的元件识别模型，识别各元件候选区域的元件类别；
输出模块403，用于将所有的元件类别以及对应元件位置信息，作为目标PCB图像的元件识别结果进行输出。
在本实施例的一些实施方式中，提取模块401具体用于：对目标PCB图像进行图像预处理，其中，图像预处理包括图像灰度化处理、图像滤波处理、图像对比度提升处理中至少一种；对预处理后的目标PCB图像中的所有元件候选区域进行提取，得到元件标识特征图以及元件位置信息。
如图5所示为本实施例提供的另一种PCB元件识别装置的结构示意图，在本实施例的一些实施方式中，PCB元件识别装置还包括：训练模块404，用于将训练样本集输入至基于区域的卷积神经网络进行训练，得到本次迭代训练实际输出的预测分类标签；利用预设损失函数，将预测分类标签与对应的原始分类标签进行比对；在比对结果满足预设模型收敛条件时，将本次迭代训练得到的元件识别模型确定为训练完成的元件识别模型；在比对结果不满足模型收敛条件时，继续进行下一次迭代训练，直至满足模型收敛条件。
请再次参阅图5，在本实施例的一些实施方式中，PCB元件识别装置还包括：测试模块405，用于获取包括多个标注有原始分类标签的测试样本图像的测试样本集；将测试样本集中的所有测试样本图像输入至元件识别模型，得到测试分类标签；将测试分类标签与原始分类标签进行相关度匹配；在匹配通过时，确定元件识别模型有效。相对应的，识别模块402具体用于：在元件识别模型有效时，将元件标识特征图输入至训练完成的元件识别模型，识别各元件候选区域的元件类别。
请再次参阅图5，在本实施例的一些实施方式中，PCB元件识别装置还包括：筛选模块406，用于根据元件识别模型的特征识别属性，从所有元件标识特征图中筛选出符合模型识别条件的目标元件标识特征图。相对应的，识别模块402具体用于：将目标元件标识特征图输入至训练完成的元件识别模型，识别对应于目标元件标识特征图的各元件候选区域的元件类别；将所有元件标识特征图中除目标元件标识特征图之外的剩余元件标识特征图，输入至预设专家系统，其中，专家系统包括知识库和推理机，知识库包括元件标识特征图以及专家对应标注的分类标签；控制推理机调用知识库，识别对应于剩余元件标识特征图的元件类别。
应当说明的是，前述实施例中的PCB元件识别方法均可基于本实施例提供的PCB元件识别装置实现，所属领域的普通技术人员可以清楚的了解到，为描述的方便和简洁，本实施例中所描述的PCB元件识别装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
基于本实施例提供的PCB元件识别装置，对目标PCB图像中的所有元件候选区域进行提取，得到元件标识特征图以及元件位置信息；将元件标识特征图输入至训练完成的元件识别模型，识别各元件候选区域的元件类别；将所有的元件类别以及对应元件位置信息，作为目标PCB图像的元件识别结果进行输出。通过本发明的实施，采用神经网络模型对PCB图像中所有元件候选区域的元件标识进行元件类型识别，有效提高了元件识别效率和结果准确性，并降低了元件识别成本。
第三实施例：
本实施例提供了一种电子装置，参见图6所示，其包括处理器601、存储器602及通信总线603，其中：通信总线603用于实现处理器601和存储器602之间的连接通信；处理器601用于执行存储器602中存储的一个或者多个计算机程序，以实现上述实施例一中的PCB元件识别方法中的至少一个步骤。
本实施例还提供了一种计算机可读存储介质，该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random Access Memory，随机存取存储器),ROM(Read-Only Memory，只读存储器),EEPROM(Electrically Erasable Programmable read only memory，带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory，光盘只读存储器)，数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
本实施例中的计算机可读存储介质可用于存储一个或者多个计算机程序，其存储的一个或者多个计算机程序可被处理器执行，以实现上述实施例一中的方法的至少一个步骤。
本实施例还提供了一种计算机程序，该计算机程序可以分布在计算机可读介质上，由可计算装置来执行，以实现上述实施例一中的方法的至少一个步骤；并且在某些情况下，可以采用不同于上述实施例所描述的顺序执行所示出或描述的至少一个步骤。
本实施例还提供了一种计算机程序产品，包括计算机可读装置，该计算机可读装置上存储有如上所示的计算机程序。本实施例中该计算机可读装置可包括如上所示的计算机可读存储介质。
可见，本领域的技术人员应该明白，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件(可以用计算装置可执行的计算机程序代码来实现)、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。
此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、计算机程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。所以，本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明实施例所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (8)
1.一种PCB元件识别方法，其特征在于，包括：
对目标PCB图像中的所有元件候选区域进行提取，得到元件标识特征图以及元件位置信息；
根据元件识别模型的特征识别属性，从所有所述元件标识特征图中筛选出符合模型识别条件的目标元件标识特征图；
将所述目标元件标识特征图输入至训练完成的元件识别模型，识别对应于所述目标元件标识特征图的各所述元件候选区域的元件类别；
将所有所述元件标识特征图中除所述目标元件标识特征图之外的剩余元件标识特征图，输入至预设专家系统；其中，所述专家系统包括知识库和推理机，所述知识库包括元件标识特征图以及专家对应标注的分类标签；
控制所述推理机调用所述知识库，识别对应于所述剩余元件标识特征图的元件类别；
将所有的所述元件类别以及对应所述元件位置信息，作为所述目标PCB图像的元件识别结果进行输出。
2.如权利要求1所述的PCB元件识别方法，其特征在于，所述对目标PCB图像中的所有元件候选区域进行提取，得到元件标识特征图以及元件位置信息包括：
对目标PCB图像进行图像预处理；其中，所述图像预处理包括图像灰度化处理、图像滤波处理、图像对比度提升处理中至少一种；
对预处理后的所述目标PCB图像中的所有元件候选区域进行提取，得到元件标识特征图以及元件位置信息。
3.如权利要求1所述的PCB元件识别方法，其特征在于，所述将所述目标元件标识特征图输入至训练完成的元件识别模型之前，还包括：
将训练样本集输入至基于区域的卷积神经网络进行训练，得到本次迭代训练实际输出的预测分类标签；
利用预设损失函数，将所述预测分类标签与对应的原始分类标签进行比对；
在比对结果满足预设模型收敛条件时，将所述本次迭代训练得到的元件识别模型确定为所述训练完成的元件识别模型；
在所述比对结果不满足所述模型收敛条件时，继续进行下一次迭代训练，直至满足所述模型收敛条件。
4.如权利要求1所述的PCB元件识别方法，其特征在于，所述将所述目标元件标识特征图输入至训练完成的元件识别模型之前，还包括：
获取包括多个标注有原始分类标签的测试样本图像的测试样本集；
将所述测试样本集中的所有测试样本图像输入至所述元件识别模型，得到测试分类标签；
将所述测试分类标签与所述原始分类标签进行相关度匹配；
在匹配通过时，确定所述元件识别模型有效，然后执行所述将所述元件标识特征图输入至训练完成的元件识别模型，识别各所述元件候选区域的元件类别的步骤。
5.一种PCB元件识别装置，其特征在于，包括：
提取模块，用于对目标PCB图像中的所有元件候选区域进行提取，得到元件标识特征图以及元件位置信息；
筛选模块，用于根据元件识别模型的特征识别属性，从所有所述元件标识特征图中筛选出符合模型识别条件的目标元件标识特征图；
识别模块，用于将所述目标元件标识特征图输入至训练完成的元件识别模型，识别对应于所述目标元件标识特征图的各所述元件候选区域的元件类别；将所有所述元件标识特征图中除所述目标元件标识特征图之外的剩余元件标识特征图，输入至预设专家系统，其中，所述专家系统包括知识库和推理机，所述知识库包括元件标识特征图以及专家对应标注的分类标签；控制所述推理机调用所述知识库，识别对应于所述剩余元件标识特征图的元件类别；
输出模块，用于将所有的所述元件类别以及对应所述元件位置信息，作为所述目标PCB图像的元件识别结果进行输出。
6.如权利要求5所述的PCB元件识别装置，其特征在于，所述提取模块具体用于：
对目标PCB图像进行图像预处理；其中，所述图像预处理包括图像灰度化处理、图像滤波处理、图像对比度提升处理中至少一种；
对预处理后的所述目标PCB图像中的所有元件候选区域进行提取，得到元件标识特征图以及元件位置信息。
7.如权利要求5所述的PCB元件识别装置，其特征在于，还包括：训练模块；
所述训练模块用于：
将训练样本集输入至基于区域的卷积神经网络进行训练，得到本次迭代训练实际输出的预测分类标签；
利用预设损失函数，将所述预测分类标签与对应的原始分类标签进行比对；
在比对结果满足预设模型收敛条件时，将所述本次迭代训练得到的元件识别模型确定为所述训练完成的元件识别模型；
在所述比对结果不满足所述模型收敛条件时，继续进行下一次迭代训练，直至满足所述模型收敛条件。
8.如权利要求5所述的PCB元件识别装置，其特征在于，还包括：测试模块；
所述测试模块用于：
获取包括多个标注有原始分类标签的测试样本图像的测试样本集；
将所述测试样本集中的所有测试样本图像输入至所述元件识别模型，得到测试分类标签；
将所述测试分类标签与所述原始分类标签进行相关度匹配；
在匹配通过时，确定所述元件识别模型有效；
所述识别模块具体用于：
在所述元件识别模型有效时，将所述元件标识特征图输入至训练完成的所述元件识别模型，识别各所述元件候选区域的元件类别。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010441361.5A CN111626177B (zh) | 2020-05-22 | 2020-05-22 | 一种pcb元件识别方法及装置 |
| PCT/CN2020/122414 WO2021232670A1 (zh) | 2020-05-22 | 2020-10-21 | 一种pcb元件识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010441361.5A CN111626177B (zh) | 2020-05-22 | 2020-05-22 | 一种pcb元件识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111626177A CN111626177A (zh) | 2020-09-04 |
| CN111626177B true CN111626177B (zh) | 2023-11-21 |
Family
ID=72272159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010441361.5A Active CN111626177B (zh) | 2020-05-22 | 2020-05-22 | 一种pcb元件识别方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111626177B (zh) |
| WO (1) | WO2021232670A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626177B (zh) * | 2020-05-22 | 2023-11-21 | 深圳技术大学 | 一种pcb元件识别方法及装置 |
| CN112435222A (zh) * | 2020-11-11 | 2021-03-02 | 深圳技术大学 | 一种电路板检测方法、装置及计算机可读存储介质 |
| CN112381175A (zh) * | 2020-12-05 | 2021-02-19 | 中国人民解放军32181部队 | 一种基于图像处理的电路板识别与分析方法 |
| CN114049598B (zh) * | 2022-01-13 | 2022-04-19 | 国网浙江省电力有限公司宁波供电公司 | 电力图元的状态识别方法及装置、存储介质及电子设备 |
| CN116245882A (zh) * | 2023-05-11 | 2023-06-09 | 深圳市世宗自动化设备有限公司 | 电路板电子元件检测方法、装置及计算机设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070536A (zh) * | 2019-04-24 | 2019-07-30 | 南京邮电大学 | 一种基于深度学习的pcb板元器件检测方法 |
| CN110942072A (zh) * | 2019-12-31 | 2020-03-31 | 北京迈格威科技有限公司 | 基于质量评估的质量分、检测模型训练、检测方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106504233B (zh) * | 2016-10-18 | 2019-04-09 | 国网山东省电力公司电力科学研究院 | 基于Faster R-CNN的无人机巡检图像电力小部件识别方法及系统 |
| US10726308B2 (en) * | 2017-07-07 | 2020-07-28 | Accenture Global Solutions Limited | Image content moderation |
| CN111626177B (zh) * | 2020-05-22 | 2023-11-21 | 深圳技术大学 | 一种pcb元件识别方法及装置 |
-
2020
- 2020-05-22 CN CN202010441361.5A patent/CN111626177B/zh active Active
- 2020-10-21 WO PCT/CN2020/122414 patent/WO2021232670A1/zh active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070536A (zh) * | 2019-04-24 | 2019-07-30 | 南京邮电大学 | 一种基于深度学习的pcb板元器件检测方法 |
| CN110942072A (zh) * | 2019-12-31 | 2020-03-31 | 北京迈格威科技有限公司 | 基于质量评估的质量分、检测模型训练、检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于区域卷积神经网络的PCB板检测与识别系统;陈灿等;《电脑编程技巧与维护》;20200331(第03期);第115、119-120页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021232670A1 (zh) | 2021-11-25 |
| CN111626177A (zh) | 2020-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111626177B (zh) | 一种pcb元件识别方法及装置 | |
| CN108710866B (zh) | 汉字模型训练方法、汉字识别方法、装置、设备及介质 | |
| CN106980856B (zh) | 公式识别方法及系统和符号推理计算方法及系统 | |
| CN110033018B (zh) | 图形相似度判断方法、装置及计算机可读存储介质 | |
| CN111597908A (zh) | 试卷批改方法和试卷批改装置 | |
| CN110598686B (zh) | 发票的识别方法、系统、电子设备和介质 | |
| US11915500B2 (en) | Neural network based scene text recognition | |
| CN111523421A (zh) | 基于深度学习融合各种交互信息的多人行为检测方法及系统 | |
| CN116311214B (zh) | 车牌识别方法和装置 | |
| CN111222588A (zh) | 一种后门样本检测方法、系统及装置 | |
| CN111652117B (zh) | 一种对多文档图像分割的方法及介质 | |
| CN112347997A (zh) | 一种试题检测识别方法、装置、电子设备及介质 | |
| CN113762274B (zh) | 一种答题卡目标区域检测方法、系统、存储介质及设备 | |
| CN112364974A (zh) | 一种基于激活函数改进的YOLOv3算法 | |
| CN115661836A (zh) | 一种自动批改方法、装置、系统及可读存储介质 | |
| CN116189130A (zh) | 基于图像标注模型的车道线分割方法及装置 | |
| CN112766387B (zh) | 一种训练数据的纠错方法、装置、设备及存储介质 | |
| CN113469176B (zh) | 一种目标检测模型训练方法、目标检测方法及其相关设备 | |
| CN115601768A (zh) | 书写文字的判断方法、装置、设备及存储介质 | |
| CN111368838A (zh) | 一种举报截图的识别方法及装置 | |
| CN115424250A (zh) | 一种车牌识别方法及装置 | |
| CN113407676A (zh) | 题目批改方法和系统、电子设备和计算机可读介质 | |
| Logeshvar et al. | AI based examination assessment mark management system | |
| KR102418476B1 (ko) | 2차원 이미지 데이터와 3차원 뎁스 데이터를 이용하여 차량 번호판의 판독과 위조와 오염 여부의 판단을 정밀하게 수행하는 주차관제시스템의 운영방법 | |
| CN113936283A (zh) | 图像要素抽取方法、装置、电子设备与存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |