CN115359041A - 一种基于机器学习的电子元器件识别方法 - Google Patents
一种基于机器学习的电子元器件识别方法 Download PDFInfo
- Publication number
- CN115359041A CN115359041A CN202211253170.1A CN202211253170A CN115359041A CN 115359041 A CN115359041 A CN 115359041A CN 202211253170 A CN202211253170 A CN 202211253170A CN 115359041 A CN115359041 A CN 115359041A
- Authority
- CN
- China
- Prior art keywords
- image
- component
- points
- sequence
- point
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于机器学习的电子元器件识别方法。该方法包括:获取电路板表面的初始图像;提取初始图像中不同的元器件图像并进行边缘检测得到对应的边缘图像,对边缘图像中的边缘像素点标记得到标记点;获取每个元器件图像中标记点的角点值,将所有标记点对应的角点值构成角点序列;利用LBP算子获取每个标记点的纹理值,所有标记点的纹理值构成纹理序列;对每个元器件图像进行图像分割得到分割图像,基于分割图像得到颜色序列;以每张样本图像对应的角点序列、纹理序列以及颜色序列对神经网络进行训练,基于训练完成的神经网络获取每张待识别的初始图像中的优化元器件图像;提高了元器件检测的精度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于机器学习的电子元器件识别方法。
背景技术
元器件作为电子领域中的基础单元,是组成电子电路的基本组成部分。元器件根据其功能特性有很多不同的分类,在一块电路板中是由多个元器件组成的,不同元器件安装在电路板中组成了复杂的电子系统。元器件在未安装在电路板上之后,可以通过测试工具对元器件进行单个识别,但是当元器件安装在电路板上之后,测试工具就无法检测出是那种元器件。不同的元器件有不同的作用效果,如果出现安装位置错误,偏移都会导致一整块电路板报废,因此需要识别不同电子元器件及其安放位置。
现有的对电路板上元器件的识别更多是人工识别,这需要依赖于使用者的先验知识和丰富的经验,现有也有使用图像识别元器件的方法,但是该方法没有结合元器件本身特征来构建,检测精度较低。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于机器学习的电子元器件识别方法,该方法包括以下步骤:
获取电路板表面的初始图像;提取所述初始图像中不同的元器件图像,对每个所述元器件图像进行边缘检测得到对应的边缘图像,对所述边缘图像中的边缘像素点标记得到标记点;
获取每个所述元器件图像中标记点的角点值,将所有标记点对应的角点值构成角点序列;利用LBP算子获取每个标记点的纹理值,所有标记点的纹理值构成纹理序列;对每个所述元器件图像进行图像分割得到分割图像,基于所述分割图像得到颜色序列;
以每张样本图像对应的角点序列、纹理序列以及颜色序列对神经网络进行训练,基于训练完成的神经网络获取每张待识别的初始图像中的优化元器件图像。
优选的,所述获取每个所述元器件图像中标记点的角点值的步骤,包括:
对于任意一个标记点,获取所述标记点与其前后相邻两个标记点的坐标,根据所述坐标获取方向角度,方向角度之间的差值为所述标记点的角点值。
优选的,所述基于所述分割图像得到颜色序列的步骤,包括:
对所述分割图像中元器件部分的每个像素点进行更新得到更新图像,所述更新图像中元器件部分所有像素点的灰度值依次排列得到颜色序列。
优选的,所述对所述分割图像中元器件部分的每个像素点进行更新得到更新图像的步骤,包括:
以所述分割图像中每个元器件区域的像素点为中心点,获取所述中心点3*3邻域内的平均灰度值,将所述平均灰度值赋予所述中心点完成对所述中心点的更新,所有像素点更新后得到更新图像。
本发明具有如下有益效果:通过获取元器件图像中每个标记点的角点值、纹理以及颜色等信息作为每个元器件的特征,基于多方面的特征进行检测结果更加可靠,且基于多个特征训练出的神经网络的精度更高;通过训练完成的神经网络,且结合每个电路板的初始图像中每个元器件图像的角点值、纹理以及颜色等信息进行电子元器件识别,得到的结果更加准确。
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和优点,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的介绍,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,对于本领域普通技术人员来讲,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它附图。
图1为本发明一个实施例所提供的一种基于机器学习的电子元器件识别方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于机器学习的电子元器件识别方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种机器学习的电子元器件识别方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种机器学习的电子元器件识别方法流程图,该方法包括以下步骤:
步骤S100,获取电路板表面的初始图像;提取初始图像中不同的元器件图像,对每个元器件图像进行边缘检测得到对应的边缘图像,对边缘图像中的边缘像素点标记得到标记点。
具体的,通过机器设备将一个电路板中的元器件安装在电路板上后,通过传送装置送到检测识别部分,判断是否元器件位置安装出现错误或者安装,在此过程中需要对电路板采集图像得到电路板表面的初始图像,通过初始图像进行分析电子元器件的种类以及位置。
首先,提取初始图像中不同元器件的元器件图像,对元器件图像进行灰度化处理,即后续处理中的元器件图像是经过灰度化处理后的图像。
然后,对元器件图像进行边缘检测得到对应的边缘图像,本发明实施例中边缘检测算法为Canny算子检测,在其他实施例中实施者可自行选择;边缘图像中包括元器件图像中的所有边缘像素点,对每个边缘像素点进行标记得到所有的标记点;由此得到每个元器件图像中的标记点。
步骤S200,获取每个元器件图像中标记点的角点值,将所有标记点对应的角点值构成角点序列;利用LBP算子获取每个标记点的纹理值,所有标记点的纹理值构成纹理序列;对每个元器件图像进行图像分割得到分割图像,基于分割图像得到颜色序列。
由步骤S100中得到每个元器件图像中的标记点,获取每个标记点的角点值,角点值的具体计算为:
分别得到待计算标记点与前后两个相邻标记点的坐标,进而得到标记点与前后两个相邻标记点之间的方向角度,基于两个方向角度获取标记点的角点值,即角点值的计算:
对于矩形的电子元器件,大部分角点值都是0,因为大部分边缘点处在边缘线上,而同一边缘线上的边缘点角点值基本都为0;对于圆形来说,几乎所有边缘像素点的角点值都不为0,且有较大差异;而对于矩形且带引脚的元器件来说,其边缘像素点的角点值为0的居多,但是也存在相当一部分的不为0的像素边缘点,并且如果将所有边缘点都统一在一条曲线上,会存在一定的规律性质。
进一步的,计算元器件的纹理特征,在灰度图像上,计算每个标记像素点的纹理
值,该纹理值计算方式由LBP算子进行计算,LBP算法为公知算法,LBP算子的计算原理是以
任意标记像素点作为中心像素点,选取该中心像素点的3*3邻域内的邻域像素点,以任意一
个邻域像素点为初始点,将像素值大于中心像素点的邻域像素点记为1,将像素点小于中心
像素点的邻域像素点记为0,则根据所有邻域像素点可得到中心像素点的8位的二进制数
据,由8位的二进制数据可得到一个十进制数据,该十进制数据即为中心像素点的纹理值,
由此可得到每个标记像素点的纹理值,记为;将所有标记像素点的纹理值构成一个纹理
序列,该纹理序列的第一个像素点与角点值构成序列中第一个像素点是对应关系,得到纹
理序列:。
得到每个标记点的角点值和纹理值后,由于不同元器件中上的颜色也不是相同的,因此可以根据颜色信息来提取不同元器件的特征,使用图像分割方法将单个元器件图像分割为两部分,一部分为元器件部分,一部分为背景部分,该分割方法是基于边缘的分割方法,通过上述边缘检测已经得到了元器件的边缘,通过边缘点的连接就得到了分割图像,该方法为现有方法在此不做赘述。
得到分割图像后,对分割图像中元器件部分的每个像素点计算其3*3区域内的平
均灰度值来代替自身的灰度值,从而对分割图像中元器件部分的每个像素点的灰度值进行
更新得到更新图像,根据更新图像中元器件部分的每个像素点的灰度值依次排列得到颜色
序列,颜色序列为:;u表示元器件部分的所有像素点数量。
步骤S300,以每张样本图像对应的角点序列、纹理序列以及颜色序列对神经网络进行训练,基于训练完成的神经网络获取每张待识别的初始图像中的优化元器件图像。
具体的,对于训练神经网络的多个样本图像而言,基于步骤S200的方法获取每个样本图像中元器件图像对应的三个序列,即角点序列、纹理序列以及颜色序列;将每个元器件图像及其对应的角点序列、纹理序列以及颜色序列输入神经网络进行训练,本发明实施例中的神经网络为全连接网络,全连接网络的输入为元器件图像的角点序列、纹理序列、颜色序列以及元器件图像本身,在对全连接网络的实际训练中对每张元器件图像人为打上标签,标签为该元器件图像对应的电子元器件的种类,该全连接网络的输出为每张元器件图像对应的种类,全连接网络的损失函数为交叉熵损失函数;将输出的种类与标签做对比,之后再反向传播调节神经网络的权值,使得神经网络的检测精度提高,实时监测神经网络的精度,当神经网络识别精度大于90%时,就认为神经网络训练完成。
对于待识别的电路板的初始图像,使用包围框将不同的电子元器件框住后,将其输入训练完成的神经网络中得到对应的电子元器件种类,基于此识别出电子元器件的位置是否安装错误,或者电子元器件是否有安装位移的情况。
综上所述,本发明实施例通过获取电路板表面的初始图像;提取初始图像中不同的元器件图像,对每个元器件图像进行边缘检测得到对应的边缘图像,对边缘图像中的边缘像素点标记得到标记点;获取每个元器件图像中标记点的角点值,将所有标记点对应的角点值构成角点序列;利用LBP算子获取每个标记点的纹理值,所有标记点的纹理值构成纹理序列;对每个元器件图像进行图像分割得到分割图像,基于分割图像得到颜色序列;以每张样本图像对应的角点序列、纹理序列以及颜色序列对神经网络进行训练,基于训练完成的神经网络获取每张待识别的初始图像中的优化元器件图像;提高了元器件检测的精度。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于机器学习的电子元器件识别方法,其特征在于,该方法包括以下步骤:
获取电路板表面的初始图像;提取所述初始图像中不同的元器件图像,对每个所述元器件图像进行边缘检测得到对应的边缘图像,对所述边缘图像中的边缘像素点标记得到标记点;
获取每个所述元器件图像中标记点的角点值,将所有标记点对应的角点值构成角点序列;利用LBP算子获取每个标记点的纹理值,所有标记点的纹理值构成纹理序列;对每个所述元器件图像进行图像分割得到分割图像,基于所述分割图像得到颜色序列;
以每张样本图像对应的角点序列、纹理序列以及颜色序列对神经网络进行训练,基于训练完成的神经网络获取每张待识别的初始图像中的优化元器件图像。
2.根据权利要求1所述的一种基于机器学习的电子元器件识别方法,其特征在于,所述获取每个所述元器件图像中标记点的角点值的步骤,包括:
对于任意一个标记点,获取所述标记点与其前后相邻两个标记点的坐标,根据所述坐标获取方向角度,方向角度之间的差值为所述标记点的角点值。
3.根据权利要求1所述的一种基于机器学习的电子元器件识别方法,其特征在于,所述基于所述分割图像得到颜色序列的步骤,包括:
对所述分割图像中元器件部分的每个像素点进行更新得到更新图像,所述更新图像中元器件部分所有像素点的灰度值依次排列得到颜色序列。
4.根据权利要求3所述的一种基于机器学习的电子元器件识别方法,其特征在于,所述对所述分割图像中元器件部分的每个像素点进行更新得到更新图像的步骤,包括:
以所述分割图像中每个元器件区域的像素点为中心点,获取所述中心点3*3邻域内的平均灰度值,将所述平均灰度值赋予所述中心点完成对所述中心点的更新,所有像素点更新后得到更新图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211253170.1A CN115359041A (zh) | 2022-10-13 | 2022-10-13 | 一种基于机器学习的电子元器件识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211253170.1A CN115359041A (zh) | 2022-10-13 | 2022-10-13 | 一种基于机器学习的电子元器件识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115359041A true CN115359041A (zh) | 2022-11-18 |
Family
ID=84008010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211253170.1A Pending CN115359041A (zh) | 2022-10-13 | 2022-10-13 | 一种基于机器学习的电子元器件识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359041A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392228A (zh) * | 2014-12-19 | 2015-03-04 | 中国人民解放军国防科学技术大学 | 基于条件随机场模型的无人机图像目标类检测方法 |
CN110197473A (zh) * | 2018-02-27 | 2019-09-03 | 国科赛思(北京)科技有限公司 | 塑封器件真伪识别方法及装置 |
CN111626130A (zh) * | 2020-04-27 | 2020-09-04 | 腾讯科技(深圳)有限公司 | 肤色识别方法、装置、电子设备及介质 |
KR20220063127A (ko) * | 2021-05-13 | 2022-05-17 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 얼굴 생체 검출 방법, 장치, 전자 기기, 저장 매체, 및 컴퓨터 프로그램 |
-
2022
- 2022-10-13 CN CN202211253170.1A patent/CN115359041A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392228A (zh) * | 2014-12-19 | 2015-03-04 | 中国人民解放军国防科学技术大学 | 基于条件随机场模型的无人机图像目标类检测方法 |
CN110197473A (zh) * | 2018-02-27 | 2019-09-03 | 国科赛思(北京)科技有限公司 | 塑封器件真伪识别方法及装置 |
CN111626130A (zh) * | 2020-04-27 | 2020-09-04 | 腾讯科技(深圳)有限公司 | 肤色识别方法、装置、电子设备及介质 |
KR20220063127A (ko) * | 2021-05-13 | 2022-05-17 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 얼굴 생체 검출 방법, 장치, 전자 기기, 저장 매체, 및 컴퓨터 프로그램 |
Non-Patent Citations (1)
Title |
---|
赵小川: "第1章 精通"图像特征提取"", 《MATLAB图像处理》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308711B (zh) | 目标检测方法、装置及图像处理设备 | |
CN103824091B (zh) | 一种用于智能交通系统的车牌识别方法 | |
CN110082821B (zh) | 一种无标签框微地震信号检测方法及装置 | |
CN108537168B (zh) | 基于迁移学习技术的面部表情识别方法 | |
CN108009567B (zh) | 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法 | |
CN111461238A (zh) | 模型训练方法、字符识别方法、装置、设备及存储介质 | |
CN110135514B (zh) | 一种工件分类方法、装置、设备及介质 | |
CN107886501A (zh) | 视觉定位方法及终端设备 | |
CN112580643A (zh) | 一种基于深度学习的车牌识别方法、装置及存储介质 | |
CN109190625A (zh) | 一种大角度透视变形的集装箱箱号识别方法 | |
CN110298394A (zh) | 一种图像识别方法和相关装置 | |
CN116311215B (zh) | 一种车牌识别方法 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN115100214A (zh) | 基于图像处理的纺织品质量检测方法 | |
CN109344758B (zh) | 基于改进局部二值模式的人脸识别方法 | |
CN109902751B (zh) | 融合卷积神经网络和半字模板匹配的表盘数字字符识别法 | |
CN117173158B (zh) | 一种精密连接器质量智能检测方法及系统 | |
CN107077617B (zh) | 指纹提取方法及装置 | |
CN112529901A (zh) | 一种复杂环境下的裂缝识别方法 | |
CN115359041A (zh) | 一种基于机器学习的电子元器件识别方法 | |
CN112396582A (zh) | 一种基于Mask RCNN的均压环歪斜检测方法 | |
CN115294314B (zh) | 一种电子元器件表面缺陷识别方法 | |
KR100703528B1 (ko) | 영상 인식 장치 및 방법 | |
CN114972540A (zh) | 目标定位方法、装置、电子设备及存储介质 | |
CN115272778A (zh) | 基于rpa和计算机视觉的可回收垃圾分类方法及系统 |
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 |