[发明专利]一种基于卷积神经网络的通孔焊点识别方法

说明书

本发明提供一种基于卷积神经网络的通孔焊点识别方法，识别方法包含四个步骤：(1)对输入图像进行基于区域像素相似度的分割操作；(2)将分割出来的区域图片进行直方图图均衡化；(3)将输入的区域图片序列化，并归一化；(4)将均衡化的区域图像输入到多层卷积和池化操作，提取卷积特征；然后将这些卷积特征输入多层全连接层进行通孔焊点分类，输出区域图像是否是通孔焊点。本发明可实现对PCB电路板图像中通孔焊点的识别，具有速度快、准确率高的特点，有助于帮助自动焊锡机等PCB焊接设备的自动取点。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于卷积神经网络的通孔焊点识别方法。

背景技术

随着科技的快速发展，计算机的计算能力越来越强，能够胜任越来越复杂的计算任务。在过去几十年的发展中，计算机已经成功在多个领域内代替了人工，足以自动甚至智能地完成任务。相比于人工完成任务，计算机自动化具有快速、准确的优点。然而，随着人工智能领域的快速发展，不仅计算机能变得智能，而且工业生产也能变得智能化。

大规模电路板制造一般需要经过两个焊接过程，首先贴片焊接(SMT)，焊接细小的集成电子元器件，接着通孔焊接(Though-Hole Technology)，这个焊接过程会焊接大型电子元器件。现阶段SMT焊接已经实现基本自动化，提升焊接效率的瓶颈在通孔焊接，我们需要进行通孔焊接相关自动化研究以提升工业生产效率。

由于表面贴装技术(SMT)流行，国内外的研究机构主要研究方向为贴片焊点的识别、定位与其焊接质量评估。而本课题是研究的通孔焊点的识别与定位，这两者的区别在外型上有着本质的区别，其外观侧视图如图1、图2所示。虽然识别的对象不一致，但在识别算法研究上有着共通之处，现分析贴片焊点的视觉研究进展。

最开始，机器视觉检测的方法大部分集中在阈值分割的思想方面，即对印制电路板的焊点区域通过一定的图像算法进行处理，将焊点区域分割出来。大多先运用形态学的处理方式，例如膨胀与腐蚀，二值化等，以及一些其它的基本算法，对边界进行提取，粗化细化等处理，再应用图像分割对点、线和边缘进行检测和阈值处理，从而提取出焊点区域。随着研究的深入，处理方式逐渐智能化通用化，特别是随着机器学习算法的发展，支持向量机、BP神经网络、卷积神经网络等各种新兴算法的出现，也都被应用于对印制电路板的焊点检测上并取得了更好的检测效果。这些算法将焊点的检测转化为对一定特征的分类，检测可靠性更高。

发明内容

本发明解决的技术问题是：克服了现有的基于传统特征和基于人工神经网络的通孔焊点识别的不足，提供了一种基于卷积神经网络的通孔焊点识别方法。

本发明采用的技术方案为：一种基于卷积神经网络的通孔焊点识别方法，包括以下步骤：

步骤(1)基于区域像素相似度对输入图像进行分割操作：首先输入一个最小区域大小值(比如3*3像素大小)，对每一个已经分配类别的区域与该区域周边的与最小区域大小值一样大的邻域的像素进行颜色空间相似度比较，当最大相似度大于预设阈值时，将这块邻域加入到该区域，如果最大相似度仍小于预设阈值，那么认定这块邻域为新的区域，将这块邻域分配为新的类别；重复进行上面的过程，直到所有区域都被分配类别；然后不断从已经分类的区域中取出两个类别进行相似度计算，如果两个区域距离小于一定值并且相似度大于阈值，那么就将两个区域合并，重复以上过程，直到没有两个区域满足上述条件；最后将相同类别的区域分割出来，形成数目众多的区域图像；

步骤(2)将分割出来的区域图像进行直方图均衡化操作：将RGB三通道的彩色图像转换到HSV空间，然后利用HSV空间的亮度轴做直方图均衡化，将亮度集中的像素重新分布到整个亮度空间，这样使得图像亮度更加均衡，对比度更高，得到HSV图像，最后将处理后的HSV图像重新转换成RGB三通道的彩色图像；