[发明专利]一种元件分类方法及装置

权利要求书

1.一种元件分类方法，其特征在于，所述方法包括：

将待分类的元件图像输入经过训练后的卷积神经网络，并计算所述元件图像的高级特征；

利用所述高级特征计算所述元件图像属于各个类别的概率；

取所述概率中最大的概率对应的类别为所述元件图像的类别。

2.根据权利要求1所述的方法，其特征在于，所述将待分类的元件图像输入经过训练后的卷积神经网络之前，所述方法还包括：

利用模板匹配得到所述元件图像中元件的位置并对所述元件图像进行对齐；

对所述元件图像进行归一化，以触发执行所述将元件图像输入经过训练后的卷积神经网络的步骤。

3.根据权利要求1或2所述的方法，其特征在于，所述将元件图像输入经过训练后的卷积神经网络之前，所述方法还包括：

创建所述元件图像的样本集；

利用图像识别数据库预训练所述卷积神经网络，得到所述卷积神经网络初始参数，所述图像识别数据库包含从自然界采集到的各种类别的自然图像；

基于所述卷积神经网络初始参数，利用所述样本集进一步训练所述卷积神经网络以对所述卷积神经网络初始参数进行微调，并触发执行所述将元件图像输入经过训练后的卷积神经网络的步骤。

4.根据权利要求3所述的方法，其特征在于，所述创建所述元件图像的样本集包括：

采集印刷电路板图像；

以印刷电路板模板图像为参考，在所述印刷电路板图像上截取元件图像并对所述元件图像进行标记以记录所述元件图像的类别；

从所述经过标记后的元件图像中采集所述元件图像的样本集。

5.根据权利要求4所述的方法，其特征在于，所述元件图像的样本集包括：

所述元件图像的训练样本集和所述元件图像的测试样本集。

6.一种元件分类装置，其特征在于，所述装置包括：

第一计算模块，用于将待分类的元件图像输入经过训练后的卷积神经网络，并计算所述元件图像的高级特征；

第二计算模块，利用所述高级特征计算所述元件图像属于各个类别的概率；

分类模块，用于取所述概率中最大的概率对应的类别为所述元件图像的类别。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

预处理模块，用于利用模板匹配得到所述元件图像中元件的位置并对所述元件图像进行对齐；

对所述元件图像进行归一化，以触发所述第一计算模块执行所述将分类的元件图像输入经过训练后的卷积神经网络的步骤。

8.根据权利要求6或7所述的装置，其特征在于，所述装置还包括：

样本创建模块，用于创建所述元件图像的样本集；

第一训练模块，利用图像识别数据库预训练所述卷积神经网络，得到所述卷积神经网络初始参数，所述图像识别数据库包含从自然界采集到的各种类别的自然图像；

第二训练模块，用于基于所述卷积神经网络初始参数，利用所述样本集进一步训练所述卷积神经网络以对所述卷积神经网络初始参数进行微调，以触发所述第一计算模块执行所述将分类的元件图像输入经过训练后的卷积神经网络的步骤。

9.根据权利要求8所述的装置，其特征在于，所述样本创建模块包括：

第一采集单元，用于采集印刷电路板图像；

截取单元，用于以印刷电路板模板图像为参考，在所述印刷电路板图像上截取元件图像并对所述元件图像进行标记以记录所述元件图像的类别；

第二采集单元，用于从所述经过标记后的元件图像中采集所述元件图像的样本集。

10.根据权利要求9所述的装置，其特征在于，所述元件图像的样本集包括：

所述元件图像的训练样本集和所述元件图像的测试样本集。