本发明涉及图像处理,具体来说,涉及一种基于图像处理算法的电子元件定位方法及系统。
背景技术:
1、电子元件是构成电子设备的基本物理单元,它们在电路板上扮演着关键角色,使得电路能够执行特定的功能。电子元件包括各种不同的部件,如电阻器、电容器、晶体管、二极管、集成电路(ics)、变压器等,每种元件都有其特定的功能和特性。
2、电子元件定位在电路设计和制造过程中扮演着至关重要的角色,正确的元件定位确保了电路的功能性、效率和可靠性以及最终产品的性能,元件定位直接影响电路的功能实现。每个电子元件都需要放置在电路中正确的位置以保证电路图设计的功能得以实现,错误的定位可能导致电路功能不达标或完全失效。
3、然而,在对电子元件定位过程中,传统的成像和识别技术可能受到摄像设备分辨率的限制,对于特别小的电子元件,难以清晰地捕捉到足够的细节来进行有效的识别和定位,若无法对小型电子元件的特征进行局部增强处理,使得图像识别算法难以正确识别元件的形状、尺寸和位置,进而会较低电子元件的识别精度和增加误识别率。
4、针对相关技术中的问题,目前尚未提出有效的解决方案。
技术实现思路
1、针对现有技术的不足,本发明提供了基于图像处理算法的电子元件定位方法及系统,具备对电子原件精准定位的优点,进而解决电子元件的识别精度较低问题。
2、为实现上述对电子原件精准定位的优点,本发明采用的具体技术方案如下:
3、根据本发明的一个方面,提供了一种基于图像处理算法的电子元件定位方法,该基于图像处理算法的电子元件定位方法包括以下步骤:
4、s1、采集电路板图像,并对电路板图像中的高对比度区域进行局部增强处理,得到局部增强后的优化电路板图像;
5、s2、分割优化电路板图像得到局部图像,并在每个分割后的局部图像中提取电子元件的边界特征;
6、s3、构建分类模型对电子元件的边界特征进行分类,并引入迁移学习对分类模型进行优化;
7、s4、提取电子元件的边界特征上的特征点转换生成电子元件坐标,并基于电子元件坐标定位电子元件位置。
8、进一步地,采集电路板图像,并对电路板图像中的高对比度区域进行局部增强处理,得到局部增强后的优化电路板图像包括以下步骤:
9、s11、利用相机设备采集电路板图像,并将电路板图像加载至图像处理软件中,结合高动态范围合成算法生成包含宽动态范围的电路板图像;
10、s12、在包含宽动态范围的电路板图像中通过图像编辑技术标记出所需增强的高对比度区域;
11、s13、利用局部对比度增强算法依次对已标记的高对比度区域进行局部增强处理及锐化处理,得到局部增强后的优化电路板图像。
12、进一步地,分割优化电路板图像得到局部图像,并在每个分割后的局部图像中提取电子元件的边界特征包括以下步骤:
13、s21、利用区域生长分割算法对局部增强后的优化电路板图像进行分割,得到分割后的局部图像;
14、s22、提取分割后的局部图像中每个电子元件的边界特征,并分别计算每个电子元件的边界特征的形态学特征;
15、s23、将形态学特征的计算结果与预设阈值进行比较,并基于比较结果划分出大构件边界特征及小构件边界特征;
16、s24、预设形态学膨胀算法的膨胀次数,并利用形态学膨胀算法对小构件边界特征进行形态学膨胀处理。
17、进一步地,预设形态学膨胀算法的膨胀次数,并利用形态学膨胀算法对小构件边界特征进行形态学膨胀处理包括以下步骤:
18、s241、识别分割后的局部图像中各个像元的空间拓扑关系,并基于各个像元的空间拓扑关系建立图像拓扑分形搜索模型;
19、s242、利用图像拓扑分形搜索模型生成小构件边界特征的目标像元信息;
20、s243、基于小构件边界特征的目标像元信息对小构件边界特征进行膨胀计算,并在膨胀处理后的局部图像中执行去除孤立像元的聚类处理。
21、进一步地,构建分类模型对电子元件的边界特征进行分类,并引入迁移学习对分类模型进行优化包括以下步骤:
22、s31、定义用于分类任务的损失函数,并采用卷积神经网络作为分类模型的训练环境;
23、s32、提取局部图像生成训练数据集对分类模型进行训练,并将训练完成后的分类模型对局部图像依次进行高斯滤波处理及滑动抽取处理;
24、s33、对滑动抽取后的局部图像按照时间序列进行分割,并标记每个局部图像的位置形成综合训练数据集;
25、s34、利用综合训练数据集对分类模型进行优化,得到经高斯滤波处理后优化分类模型,并通过优化分类模型对电子元件的边界特征进行分类;
26、s35、在对电子元件的边界特征进行分类过程中,利用迁移学习技术对优化分类模型进行参数调整,以适应小构件边界特征的分类。
27、进一步地,在对电子元件的边界特征进行分类过程中,利用迁移学习技术对优化分类模型进行参数调整,以适应小构件边界特征的分类包括以下步骤:
28、s351、通过优化分类模型对电子元件的边界特征进行分类过程中,利用混沌映射初始化卷积神经网络的网络权重;
29、s352、对综合训练数据集进行深度信念网络结构的寻优,并利用最优网络结构对综合训练数据集中的源域训练集进行预训练;
30、s353、在对源域训练集进行预训练的基础上,引入预设数量的目标域训练集并通过反向传播进行权重调优;
31、s354、将经过调优的最优网络结构迁移至优化分类模型中,以提高优化分类模型对小构件边界特征的分类性。
32、进一步地,提取电子元件的边界特征上的特征点转换生成电子元件坐标,并基于电子元件坐标定位电子元件位置包括以下步骤:
33、s41、利用角点检测算法提取电子元件的边界特征的特征点,并生成每个特征点的特征描述子;
34、s42、基于每个特征点的特征描述子计算每个特征点的坐标,并利用变换矩阵将特征点的坐标转换成优化电路板图像中的实际位置;
35、s43、利用聚类算法对特征点进行聚类,并结合优化电路板图像中的实际位置定位每个电子元件位置。
36、进一步地,利用角点检测算法提取电子元件的边界特征的特征点,并生成每个特征点的特征描述子包括以下步骤:
37、s411、计算电子元件的边界特征的梯度矩阵,基于梯度矩阵生成梯度直方图,并基于梯度直方图计算电子元件的边界特征的响应函数;
38、s412、将响应函数取值与预设阈值进行比较,将大于预设阈值的响应函数取值作为角点候选点;
39、s413、在角点候选点的邻域内执行非极大值抑制,保留局部特征点,并对每个局部特征点进行特征描述,生成每个特征点的特征描述子。
40、进一步地,梯度直方图的表达式为:
41、hk=∑(i,j)∈blockmij·δ(θij-θk);
42、式中,hk表示第k个方向上的梯度直方图;mij为像素(i,j)的梯度幅值;θij为梯度直方图的梯度方向;θk为梯度直方图中第k个方向的中心;δ为dirac函数。
43、根据本发明的另一个方面,还提供一种基于图像处理算法的电子元件定位系统,该基于图像处理算法的电子元件定位系统包括图像增强模块、边界特征提取模块、边界特征分类模块及电子元件定位模块;
44、图像增强模块,用于采集电路板图像,并对电路板图像中的高对比度区域进行局部增强处理,得到局部增强后的优化电路板图像;
45、边界特征提取模块,用于分割优化电路板图像得到局部图像,并在每个分割后的局部图像中提取电子元件的边界特征;
46、边界特征分类模块,用于构建分类模型对电子元件的边界特征进行分类,并引入迁移学习对分类模型进行优化;
47、电子元件定位模块,用于提取电子元件的边界特征上的特征点转换生成电子元件坐标,并基于电子元件坐标定位电子元件位置。
48、与现有技术相比,本发明提供了基于图像处理算法的电子元件定位方法及系统,具备以下有益效果:
49、(1)本发明利用区域生长分割算法对局部增强后的优化电路板图像进行分割,有效分离出各个局部图像,在分割后的局部图像中提取电子元件的边界特征并计算其形态学特征,从而通过精细的形态学分析识别出不同形状和大小的电子元件,同时对小构件边界特征进行形态学膨胀处理,进而有效增强小型电子元件的边界特征,确保小型电子元件在图像中的可识别性,进一步提升了电子元件的精准定位。
50、(2)本发明利用卷积神经网络作为分类模型的训练环境,能够高效提取和分类电子元件的边界特征,并通过综合训练数据集对分类模型进行优化,提高了分类模型在实际应用中的准确性和可靠性,同时在对电子元件边界特征进行分类过程中引入迁移学习技术,使其适应小构件边界特征的分类,从而不仅提高了分类模型的适应性和泛化能力,并且能够基于各类边界特征准确定位电子元件位置。
1.一种基于图像处理算法的电子元件定位方法,其特征在于,该基于图像处理算法的电子元件定位方法包括以下步骤:
2.根据权利要求1所述的一种基于图像处理算法的电子元件定位方法,其特征在于,所述采集电路板图像,并对电路板图像中的高对比度区域进行局部增强处理,得到局部增强后的优化电路板图像包括以下步骤:
3.根据权利要求2所述的一种基于图像处理算法的电子元件定位方法,其特征在于,所述分割优化电路板图像得到局部图像,并在每个分割后的局部图像中提取电子元件的边界特征包括以下步骤:
4.根据权利要求3所述的一种基于图像处理算法的电子元件定位方法,其特征在于,所述预设形态学膨胀算法的膨胀次数,并利用形态学膨胀算法对小构件边界特征进行形态学膨胀处理包括以下步骤:
5.根据权利要求4所述的一种基于图像处理算法的电子元件定位方法,其特征在于,所述构建分类模型对电子元件的边界特征进行分类,并引入迁移学习对分类模型进行优化包括以下步骤:
6.根据权利要求5所述的一种基于图像处理算法的电子元件定位方法,其特征在于,所述在对电子元件的边界特征进行分类过程中,利用迁移学习技术对优化分类模型进行参数调整,以适应小构件边界特征的分类包括以下步骤:
7.根据权利要求6所述的一种基于图像处理算法的电子元件定位方法,其特征在于,所述提取电子元件的边界特征上的特征点转换生成电子元件坐标,并基于电子元件坐标定位电子元件位置包括以下步骤:
8.根据权利要求7所述的一种基于图像处理算法的电子元件定位方法,其特征在于,所述利用角点检测算法提取电子元件的边界特征的特征点,并生成每个特征点的特征描述子包括以下步骤:
9.根据权利要求8所述的一种基于图像处理算法的电子元件定位方法,其特征在于,所述梯度直方图的表达式为:
10.一种基于图像处理算法的电子元件定位系统,用于实现权利要求1-9中任一项所述的基于图像处理算法的电子元件定位方法,其特征在于,该基于图像处理算法的电子元件定位系统包括图像增强模块、边界特征提取模块、边界特征分类模块及电子元件定位模块;