基于人工智能的电子元件识别方法

技术领域

本申请涉及电子元件检测技术的领域，尤其是涉及基于人工智能的电子元件识别方法。

背景技术

电子元件是组成电子产品的基础，在现代的生活中，处处都充斥着电子产品，支撑这些电子产品进行运作的基础就是电子元件。常用的电子元件有电阻、电容、电感、电位器、变压器等，电子元件的检测在电子元件的生产中占据着重要的作用，降低瑕疵品进入市场，导致电子产品在使用过程中出现问题。

现有技术中，在对集成电路板上的电子元件进行识别时，通常采用机器识别的方式对集成电路板上的电子元件进行识别，一般会在机器中输入标准的电子元件的信息作为判断标准，但是在实际的检测过程中会发现相同的电子元件在一定程度上会由于生产批次、材料特征和外部环境因素导致相同的电子元件在一定程度上出现差异，但是在检测过程中由于检测标准的固定化会导致在检测过程中将相同的电子元件识别为其他类型的电子元件，导致识别出现误差。

因此，如何提升电子元件检测过程中的自我纠正能力成为亟待解决的问题。

发明内容

为了提升电子元件检测过程中的自我纠正能力，本申请提供了基于人工智能的电子元件识别方法。

本申请提供了基于人工智能的电子元件识别方法，采用如下技术方案：

预先获取集成电路板的电路板信息，基于所述电路板信息获取所述集成电路板上的电子元件的标准特征向量，收集所有的所述标准特征向量，建立标准集；

获取所述集成电路板的电路板图像，并对所述电路板图像进行预处理，获取所述电子元件的元件图像；

基于所述元件图像，获取所述电子元件的第一特征向量，将所述第一特征向量与所述标准集中的所述标准特征向量进行对比，判断所述电子元件的元件类型；

建立时间段，获取该时间段中被识别的每个所述电子元件的特征向量，并根据时间关系，对所述特征向量进行排列，获取特征向量组；

基于所述特征向量组，将所述特征向量组中的所述特征向量与所述标准特征向量依次比较，判断所述特征向量是否合格，若不合格则进行剔除，获取修正特征向量组；

基于所述修正特征向量组，计算所述修正特征向量组中两两所述特征向量之间的特征差值，并对所述特征差值进行排列，获取特征差值序列；

对所述特征差值序列进行分析，判断所述特征向量的特征变化规律，基于所述特征变化规律，对所述标准特征向量进行修正。

通过采用上述技术方案，对集成电路板进行识别，获取电子元件的图像，并提取电子元件的特征向量，根据电子元件的特征向量判断电子元件的种类，同时获取一个时间段中的不同的电子元件的特征向量，建立特征向量组，通过对特征向量组内的特征向量的变化情况对标准特征向量进行实时修正，提高了电子元件检测过程中的自我纠正能力。

优选的，所述获取所述集成电路板的电路板图像，并对所述电路板图像进行预处理，获取所述电子元件的元件图像的步骤，包括：

获取所述集成电路板的电路板图像，识别所述电路板图像的背景内容，并进行去除，获取所述电子元件的元件底图；

基于所述元件底图，获取每个所述电子元件的形状特征，并基于所述形状特征，将所述电子元件进行排列，获取所述电子元件的元件排列图；

基于所述元件排列图，将每个所述电子元件进行放大、旋转操作，获取所述电子元件的元件图像。

通过采用上述技术方案，对集成电路板的图像进行预处理，去除集成电路板的背景图像，获取到多个电子元件的底图，并根据电子元件的形状特征，生成电子元件的元件排列图，对电子元件的排列图进行放大、旋转，生成电子元件的原件图像，提升了对电子元件图像获取的精确性。

优选的，所述基于所述元件图像，获取所述电子元件的第一特征向量，将所述第一特征向量与所述标准集中的所述标准特征向量进行对比，判断所述电子元件的元件类型的步骤，包括：

基于所述元件图像，对所述电子元件进行特征提取，获取所述电子元件的第一特征向量；

基于所述标准集，将所述第一特征向量与所述标准集中的所述标准特征向量进行一一匹配，获取匹配度；

对所获取的匹配度进行排序，选择其中匹配度最高的标准特征向量作为目标特征向量，并计算所述第一特征向量与所述目标特征向量之间的目标特征差值；

将所述目标特征差值与预设的阈值进行对比，判断所述目标特征差值是否大于所述阈值；

若大于，则该所述电子元件不正确；

若小于，则所述电子元件正确，并确认所述电子元件的类型与所述标准特征向量对应的电子元件类型相同。

通过采用上述技术方案，获取电子元件的第一特征向量，并与标准特征向量进行匹配，对生成的匹配度进行排序，选取匹配度最高的最为目标特征向量，根据该目标特征向量，获取第一特征向量与目标特征向量之间的差值，若差值过大则表明该电子元件不正确，提升了对电子元件识别的范围，提升电子元件识别的准确度。

优选的，所述基于所述元件图像，对所述电子元件进行特征提取，获取所述电子元件的第一特征向量的步骤，包括：

所述第一特征向量包括颜色特征、形状特征和纹理特征中的至少一个；

其中，所述颜色特征包括颜色分布种类、颜色分布位置和颜色分布占比中的至少一个。

通过采用上述技术方案，第一特征向量由颜色特征、形状特征和纹理特征中的至少一个组成，同时颜色特征由颜色的分布种类、分布位置和分布占比中的至少一个组成，降低了特征向量的可替代性。

优选的，所述基于所述特征向量组，将所述特征向量组中的所述特征向量与所述标准特征向量依次比较，判断所述特征向量是否合格，若不合格则进行剔除，获取修正特征向量组的步骤，包括：

基于所述特征向量组，以所述标准特征向量为基准，对所述特征向量组中的所述特征向量进行遍历匹配，并获取匹配值；

基于所述匹配值，将获取的全部所述匹配值进行排序，获取匹配值序列，并将所述匹配值序列中匹配值最高的作为目标匹配值；

将所述目标匹配值与预设的阈值进行对比，若所述目标匹配值小于所述阈值，则判断该特征向量不合格，则将不合格的所述特征向量进行剔除，获取修正特征向量组。

通过采用上述技术方案，以标准特征向量为基准，对特征向量组中的特征向量进行遍历同时进行匹配，对获取的匹配值进行排序，声场匹配值序列，同时将匹配值序列中的不合格的匹配值进行剔除，修正特征向量组，降低了可能存在的干扰信息对特征向量组进行干扰的可能性。

优选的，所述将所述目标匹配值与预设的阈值进行对比，若所述目标匹配值小于所述阈值，则判断该特征向量不合格，则将不合格的所述特征向量进行剔除，获取修正特征向量组的步骤之后，还包括：

对不合格的所述特征向量进行采集，并获取不合格的所述特征向量与所述标准向量的匹配值；

基于所述匹配值，分析所述不合格的所述特征向量与所述标准特征向量之间的差异点；

基于所述差异点，判断不合格的所述特征向量产生的可能原因，并基于所述可能原因生成改正意见，并进行发布。

通过采用上述技术方案，将剔除的不合格的特征向量进行采集，并获取其与标准特征向量之间的匹配值，根据该匹配值判断该不合格的特征向量与标准向量之间的差异点，对该差异点进行分析，判断该电子元件在生产运输过程中可能对电子元件造成损伤或生产问题的可能原因，并将该可能原因进行输出，以助于改进生产运输方式，提升了对不合格的电子元件的利用率。

优选的，所述对所述特征差值序列进行分析，判断所述特征向量的特征变化规律，基于所述特征变化规律，对所述标准特征向量进行修正的步骤，包括：

对所述特征差值序列进行遍历比较，将小于预设值的所述特征差值进行合并，获取新特征差值序列；

对所述新特征差值序列中的差值进行分析，获取所述特征差值序列的变化曲线；

对所述变化曲线进行回归处理，获取回归变化曲线，并基于所述回归变化曲线，获取所述特征向量的特征变化规律；

基于所述特征变化规律，对所述标准特征向量进行演变，所述演变的过程晚于当前检测时间的两个单位时间，所述单位时间为检测一个所述集成电路板所需的时间。

通过采用上述技术方案，将特征差值序列中差距较小的特征差值进行合并，获取新特征差值序列，对新特征差值序列中的数据进行曲线化，获取变化曲线，并对变化曲线进行回归，判断特征向量的变化规律，根据变化规律，对标准特征向量进行演变，同时演变的过程要晚于当前的检测时间，提升了在对电子元件检测过程中标准值对产品的适应力。

优选的，所述对所述变化曲线进行回归处理，获取回归变化曲线，并基于所述回归变化曲线，获取所述特征向量的特征变化规律的步骤之后，还包括：

基于所述回归变化曲线，将不在所述回归变化曲线上的所述特征差值进行修正，并获取修正值；

基于所述修正值，判断所述特征差值所对应的两个所述特征向量之间的修正关系；

基于所述修正关系，获取所述特征向量之间的修正规律，将所述修正规律整合进入所述特征变化规律。

通过采用上述技术方案，对回归变化曲线上的特征差值进行修正，同时获取其修正值，根据修正值判断两个特征向量之间的修正关系，根据该修正关系判断特征向量之间的修正规律，将该修正规律整合进入特征变化规律中，提升了特征变化规律对特征向量变化的描述的准确性。

优选的，所述对所述特征差值序列进行分析，判断所述特征向量的特征变化规律，基于所述特征变化规律，对所述标准特征向量进行修正的步骤之后，还包括：

基于所述特征变化规律，对同类型的所述电子元件进行特征预测，并获取特征预测结果；

基于所述预测结果，判断下一所述电子元件的预测特征向量，并基于所述标准特征向量，生成提前量；

对下一个所述电子元件进行特征提取，获取实际特征向量，并基于所述提前量，将所述实际特征向量与所述标准特征向量进行对比，判断所述电子元件的种类。

通过采用上述技术方案，根据特征变化规律，对接下来需要进行识别的电子元件进行预测，并根据预测结果生成提前量，当对电子元件进行识别时，将实际特征向量与标准特征向量进行对比时，若出现较大误差，可通过提前量进行修正，提升了对电子元件识别的精确度。

综上所述，本申请包括以下至少一种有益技术效果：

1.对集成电路板进行识别，获取电子元件的图像，并提取电子元件的特征向量，根据电子元件的特征向量判断电子元件的种类，同时获取一个时间段中的不同的电子元件的特征向量，建立特征向量组，通过对特征向量组内的特征向量的变化情况对标准特征向量进行实时修正，提高了电子元件检测过程中的自我纠正能力。

2.将剔除的不合格的特征向量进行采集，并获取其与标准特征向量之间的匹配值，根据该匹配值判断该不合格的特征向量与标准向量之间的差异点，对该差异点进行分析，判断该电子元件在生产运输过程中可能对电子元件造成损伤或生产问题的可能原因，并将该可能原因进行输出，以助于改进生产运输方式，提升了对不合格的电子元件的利用率。

3.根据特征变化规律，对接下来需要进行识别的电子元件进行预测，并根据预测结果生成提前量，当对电子元件进行识别时，将实际特征向量与标准特征向量进行对比时，若出现较大误差，可通过提前量进行修正，提升了对电子元件识别的精确度。

附图说明

图1是本实施例基于人工智能的电子元件识别方法步骤流程图；

图2是本实施例基于人工智能的电子元件识别方法中步骤S200和S300的子步骤流程示意图；

图3是本实施例基于人工智能的电子元件识别方法中步骤S301、S500和S500之后的子步骤流程示意图；

图4是本实施例基于人工智能的电子元件识别方法中步骤S700和S703的子步骤流程示意图；

图5是本实施例基于人工智能的电子元件识别方法中步骤S700之后的子步骤流程示意图。

具体实施方式

以下结合附图1-5对本申请作进一步详细说明。

本申请实施例公开了基于人工智能的电子元件识别方法。

在本实施例中，参照图1，基于人工智能的电子元件识别方法，包括以下步骤：

S100：预先获取集成电路板的电路板信息，基于电路板信息获取集成电路板上的电子元件的标准特征向量，收集所有的标准特征向量，建立标准集；

S200：获取集成电路板的电路板图像，并对电路板图像进行预处理，获取电子元件的元件图像；

S300：基于元件图像，获取电子元件的第一特征向量，将第一特征向量与标准集中的标准特征向量进行对比，判断电子元件的元件类型；

S400：建立时间段，获取该时间段中被识别的每个电子元件的特征向量，并根据时间关系，对特征向量进行排列，获取特征向量组；

S500：基于特征向量组，将特征向量组中的特征向量与标准特征向量依次比较，判断特征向量是否合格，若不合格则进行剔除，获取修正特征向量组；

S600：基于修正特征向量组，计算修正特征向量组中两两特征向量之间的特征差值，并对特征差值进行排列，获取特征差值序列；

S700：对特征差值序列进行分析，判断特征向量的特征变化规律，基于特征变化规律，对标准特征向量进行修正。

应当指出的是，上述步骤仅是优选的实施顺序，在具体实施过程中，在不影响整体实施效果的前提下，部分步骤可以调换。

参照图2，步骤S200中，获取集成电路板的电路板图像，并对电路板图像进行预处理，获取电子元件的元件图像的步骤，包括：

S201：获取集成电路板的电路板图像，识别电路板图像的背景内容，并进行去除，获取电子元件的元件底图；

S202：基于元件底图，获取每个电子元件的形状特征，并基于形状特征，将电子元件进行排列，获取电子元件的元件排列图；

S203：基于元件排列图，将每个电子元件进行放大、旋转操作，获取电子元件的元件图像。

运用中，对集成电路板的图像进行处理，获取电子元件的图像。例如，某一集成电路板的底色为绿色，获取该集成电路板的电路板图像，根据其背景颜色，对电路板的背景进行消除，保留电子元件的底图，并根据不同电子元件的形状进行排列，获取元件排列图，其中存在一个电阻元件，并且该电阻元件较小，则对该元件进行放大、旋转操作，获取该电阻元件的元件图像。

参照图2，步骤S300中，基于元件图像，获取电子元件的第一特征向量，将第一特征向量与标准集中的标准特征向量进行对比，判断电子元件的元件类型的步骤，包括：

S301：基于元件图像，对电子元件进行特征提取，获取电子元件的第一特征向量；

S302：基于标准集，将第一特征向量与标准集中的标准特征向量进行一一匹配，获取匹配度；

S303：对所获取的匹配度进行排序，选择其中匹配度最高的标准特征向量作为目标特征向量，并计算第一特征向量与目标特征向量之间的目标特征差值；

S304：将目标特征差值与预设的阈值进行对比，判断目标特征差值是否大于阈值；

S305：若大于，则该电子元件不正确；

S306：若小于，则电子元件正确，并确认电子元件的类型与标准特征向量对应的电子元件类型相同。

运用中，根据电子元件的原件图像，获取电子元件的第一特征向量，并与标准特征向量进行对比，判断电子元件的种类。例如，某一对某一电子元件进行识别时，获取该电子元件的特征向量，并将其与标准特征向量进行比对，发现该电子元件的特征向量与其中两个标准特征向量匹配度非常高，其中这两个标准特征向量所对应的电子元件为电阻和电容，则根据这两个匹配度计算目标特征差值，发现与电容的特征向量的目标特征差值大于预设的阈值，与电阻的特征向量的目标特征差值小于预设的阈值，则可判断该电子元件为电阻元件。

参照图3，步骤S301中，基于元件图像，对电子元件进行特征提取，获取电子元件的第一特征向量的步骤，包括：

S3011：第一特征向量包括颜色特征、形状特征和纹理特征中的至少一个；

S3012：其中，颜色特征包括颜色分布种类、颜色分布位置和颜色分布占比中的至少一个。

运用中，第一特征向量由多种特征组成。例如，某一柱状电子元件上有彩色的环形标记，则获取该电子元件的图像并提取其第一特征向量，该第一特征向量包含形状特征和颜色特征，同时根据颜色特征能够分辨该电子元件上的环形标记的颜色种类，不同颜色的位置以及不同颜色的占比分别是多少。

参照图3，步骤S500中，基于特征向量组，将特征向量组中的特征向量与标准特征向量依次比较，判断特征向量是否合格，若不合格则进行剔除，获取修正特征向量组的步骤，包括：

S501：基于特征向量组，以标准特征向量为基准，对特征向量组中的特征向量进行遍历匹配，并获取匹配值；

S502：基于匹配值，将获取的全部匹配值进行排序，获取匹配值序列，并将匹配值序列中匹配值最高的作为目标匹配值；

S503：将目标匹配值与预设的阈值进行对比，若目标匹配值小于阈值，则判断该特征向量不合格，则将不合格的特征向量进行剔除，获取修正特征向量组。

运用中，将一段时间内获取的特征向量编成特征向量组，并依次与标准特征向量进行匹配，并将匹配值进行排序，同时剔除其中的不合格的匹配值，对特征向量组进行修正。例如，在十分钟内，检测了20个集成电路板，将统一电子元件的特征向量进行编组，并与标准特征向量进行匹配，将这20个电子元件的匹配值进行排序，同时发现其中存在3个不合格的匹配值，则将这3个匹配值所对应的特征向量进行剔除，保留下来的17个特征向量组成修正特征向量组。

参照图3，步骤S500之后，将目标匹配值与预设的阈值进行对比，若目标匹配值小于阈值，则判断该特征向量不合格，则将不合格的特征向量进行剔除，获取修正特征向量组的步骤之后，还包括：

S511：对不合格的特征向量进行采集，并获取不合格的特征向量与标准向量的匹配值；

S512：基于匹配值，分析不合格的特征向量与标准特征向量之间的差异点；

S513：基于差异点，判断不合格的特征向量产生的可能原因，并基于可能原因生成改正意见，并进行发布。

运用中，采集不合格的特征向量及其匹配值，根据匹配值判断特征向量与标准特征向量之间的差异点，并根据该差异点生成改正意见。例如，某一信号的电容器在运输过程中受到磕碰，外观受损，但是功能正常，导致在后续的检测过程中被识别为不合格，则可根据该情况判断该电容器的特征向量与标准电容器的标准特征向量进行对比，判断差异点为电容器受到磕碰处，则可根据该磕碰情况生成运输改正建议。

参照图4，步骤S700中，对特征差值序列进行分析，判断特征向量的特征变化规律，基于特征变化规律，对标准特征向量进行修正的步骤，包括：

S701：对特征差值序列进行遍历比较，将小于预设值的特征差值进行合并，获取新特征差值序列；

S702：对新特征差值序列中的差值进行分析，获取特征差值序列的变化曲线；

S703：对变化曲线进行回归处理，获取回归变化曲线，并基于回归变化曲线，获取特征向量的特征变化规律；

S704：基于特征变化规律，对标准特征向量进行演变，演变的过程晚于当前检测时间的两个单位时间，单位时间为检测一个集成电路板所需的时间。

运用中，对特征差值序列中数据接近的特征差值进行合并，降低数据处理量，根据新特征差值序列中声场变化曲线，并进行回归处理，判断特征向量的变化规律，并对标准特征向量进行演变。例如，在某一段时间中，获取到一组特征差值序列，里面包含100组数据，则对特征差值相近的数据进行合并，获取到的新特征差值序列中包含30组数据，根据该30组特征差值的变化情况获取变化曲线，并进行回归处理，并判断这30组特征差值的变化规律，根据该变化规律，对标准特征向量进行演变，使标准特征向量能够满足后续的检测任务。

参照图4，步骤S703之后，对变化曲线进行回归处理，获取回归变化曲线，并基于回归变化曲线，获取特征向量的特征变化规律的步骤之后，还包括：

S7031：基于回归变化曲线，将不在回归变化曲线上的特征差值进行修正，并获取修正值；

S7032：基于修正值，判断特征差值所对应的两个特征向量之间的修正关系；

S7033：基于修正关系，获取特征向量之间的修正规律，将修正规律整合进入特征变化规律。

运用中，对不在回归变化曲线上的特征差值进行修正，并获取修正值，根据该修正值，分析修正规律，并整合进入特征变化规律中，使其更加完整。例如，在回归变化曲线图上存在10个特征差值不在曲线上，则计算这10个特征差值与曲线之间的修正值，并根据该修正值，判断这10个特征差值所对应的20个特征向量之间的修正关系，并基于修正关系分析总结这20个特征向量之间的修正规律，并将该修正规律整合进入特征变化规律中。

参照图5，步骤S700之后，对特征差值序列进行分析，判断特征向量的特征变化规律，基于特征变化规律，对标准特征向量进行修正的步骤之后，还包括：

S701：基于特征变化规律，对同类型的电子元件进行特征预测，并获取特征预测结果；

S702：基于预测结果，判断下一电子元件的预测特征向量，并基于标准特征向量，生成提前量；

S703：对下一个电子元件进行特征提取，获取实际特征向量，并基于提前量，将实际特征向量与标准特征向量进行对比，判断电子元件的种类。

运用中，根据特征变化规律，接下来可能进行识别的电子元件进行特征预测，并根据预测结果与标准特征向量结合计算生成提前量。例如，在本轮对电阻元件识别过程中获取特征变化规律，则根据该规律对接下来所要识别的电阻元件的特征向量进行预测，同时结合标准特征向量，生成提前量，在接下来对下一轮电阻元件识别的时候，可能由于标准特征向量或电阻元件本身的特征向量导致识别效率较低，此时根据提前量，对标准特征向量或电阻元件本身的特征向量进行校正，提高识别率。

以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。