[发明专利]一种基于红外图像处理的电路板短路自动识别方法

摘要

本发明公开了一种基于红外图像处理的电路板短路自动识别方法，根据电路板的红外图片，识别出电路板上的器件并将器件温度值随通电时间的动态分布与正常器件的温度动态分布进行比对，然后自动判断出该器件是否发生短路。通过比较待测电路板上的元器件从开始通电到进入正常工作的温度变化趋势与正常电路板的变化趋势，将每个时间点的温度数据进行差分计算，相比传统的仅仅比较两幅图片同一个位置的温度值大小的方法更加精确。

主权项

1.一种基于红外图像处理的电路板短路自动识别方法，其特征在于，包括：对电路板上的元器件进行识别以及判断关键元器件是否发生故障，并给出基于时间维度的动态分析结果；所述对电路板上的元器件进行识别还包括：步骤1‑1，采集电路板关键器件的红外图片，对所采集的电路板关键元器件进行图像处理并抑制红外图像中的背景信息，突出元器件的细节信息，并统一样本的长度；对处理后的红外图片进行标记和归类，令X＝{x₁,x₂,...,x_m}代表实例空间，L＝{l₁,l₂,...l_q}代表所有的标记的集合，Y＝{y₁,y₂,...,y_m}表示标记空间，其中x_i∈X表示一个实例，y_i∈Y表示实例x_i所含有的类别标记，且y_i为标记集合L的一个子集，T＝{(x_i,y_i)|1≤i≤m}为训练集；步骤1‑2，搭建学习网络；所述搭建学习网络包括:将步骤1‑1中已经进行标记和归类完成的训练集T输入到卷积神经网络模型中进行电路板所有元器件图像特征提取，建立所有元器件红外图像识别模型，使模型学习得到函数f：X→Y；输入层为处理好的元器件图片，卷积网络复合多个卷积层和采样层，对输入的数据进行加工；连接层实现输出目标之间的多个映射，每个卷积层都包含多个特征图谱，每一层的输入对应上一层的输出，对输入层数据进行逐层加工，完成特征学习与提取；一般每个卷积层都会对应多个卷积核，具体的计算公式为：其中，表示第j个特征图谱，ω表示对应的卷积核，表示上层第i个特征图谱作为当前的输入，表示偏置量，表示每个特征图谱的数量，M表示每个卷积层的特征图谱数，f表示激活函数；连接层为前一层的每个神经元与后一层的每个神经元相连，具体公式为：其中，h_w,b(x)表示全连接层的输出，x_i表示上一层神经元的输出即全连接层的输入，W_i表示神经元之间连接的权值，b表示偏置量，f表示激活函数；通过训练可得到的标签值与真实的标签比较，使用损失函数计算出两者的差值，使用的损失函数为：其中y为最终预测的标签值，θ为神经元之间的权值，l为示性函数，当上式中中括号内的表达式为真则取1，否则取0，加号后面的表达式为权重衰减项，每次训练迭代的过程中根据loss值调整模型参数达到损失函数的最小值，使得神经网络的预测标签值最接近真实的标签值；所述判断关键元器件是否发生故障具体包括：步骤2‑1：采集电路板的红外图像集合，根据步骤1‑2中训练出的损失函数模型识别出每一帧红外图像中对应的所有元器件，得到关键元器件对应的温度值，统计电路板所有元器件位置温度变化；用来判断关键元器件是否出现故障。