[发明专利]一种用于极性电子器件分类的方法

权利要求书

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。