一种基于图像识别的PCB板元器件安装复核系统及方法与流程

一种基于图像识别的pcb板元器件安装复核系统及方法
技术领域
1.本发明涉及一种基于图像识别的pcb板元器件安装复核系统。


背景技术：

2.印刷电路板(printed circuit board，pcb)，是指在通用基材上按预定设计形成点间连接及印制元件的印刷板，其主要功能是：1)为电路中各种元器件提供机械支撑；2)使各种电子零组件形成预定电路的电气连接，起中继传输作用；3)用标记符号将所安装的各元器件标注出来，便于插装、检查及调试。pcb可以实现电子元器件之间的相互连接，起中继传输的作用，是电子元器件的支撑体，因而被称为“电子产品之母”。pcb的工艺制造品质不仅直接影响电子产品的可靠性，而且还影响各种芯片之间信号传输的完整性，所以自主研发pcb板的元器件安装复核系统具有非常重要的意义。


技术实现要素：

3.本发明的目的是为了解决以上现有技术的不足，提供一种基于图像识别的pcb板元器件安装复核系统。
4.一种基于图像识别的pcb板元器件安装复核系统，包括硬件平台，所述的硬件平台包括相机、补光灯、激光灯和激光支架，相机通过相机固定架固定在工作台上，补光灯置于相机旁边，激光灯与激光支撑架相连，激光支撑架固定在工作台上，pcb实物板置于相机正下方。
5.一种基于图像识别的pcb板元器件安装复核方法，包括以下步骤：
6.步骤s1：在工作台上固定好拍摄所用的相机、补光灯、激光灯、激光支撑架和pcb实物板；
7.步骤s2：用相机拍摄摆放在工作台上的pcb实物板得到实物图；
8.步骤s3：采用图像hsv空间饱和度二值区分工作台台面和pcb实物板区域，然后提取出pcb实物板轮廓区域；
9.步骤s4：找出pcb板所在连通域；
10.步骤s5：获取坐标，将pcb实物图坐标变换到电路图图纸坐标系下；
11.步骤s6：用yolov4目标检测网络提取元器件类型位置；
12.步骤s7：计算相同坐标系下实物图元器件位置与电路图图纸元器件位置之间的diou；
13.步骤s8：根据diou最大的原则，比较对应实物图元器件和电路图图纸元器件的类型是否统一。
14.作为进一步改进，步骤s6中所述的yolov4是yolov3的改进版，引入了大量先进的特性以增强网络的识别能力；yolov4采用的架构是：cspdarknet53作为backbone，spp模块用于增大感受野，panet用作neck，并仍沿袭yolov3(anchor based)head。
15.作为进一步改进，步骤s6中基于yolov4目标检测网络的目标检测器的结构包括
input、backbone、neck、head四个部分。
16.有益效果：
17.本发明通过相机拍摄摆放在工作台上的pcb实物板得到实物图，采用图像hsv空间饱和度二值提取其拍摄的pcb实物板的轮廓，将pcb实物图坐标变换到电路图图纸坐标系下，然后用yolov4模型提取元器件类型位置，计算相同坐标系下实物图元器件位置与电路图图纸元器件位置之间的diou，最后根据diou最大的原则，比较对应实物图元器件和电路图图纸元器件的类型是否统一。
附图说明
18.图1是一种基于图像识别的pcb板元器件安装复核系统的硬件结构示意图；
19.图2是一种基于图像识别的pcb板元器件安装复核方法的流程图；
20.图3是目标检测网络通用目标检测器结构图；
21.图4是目标检测网络结构图。
具体实施方式
22.为了加深对本发明的理解，下面将结合实施例和附图对本发明作进一步详述，该实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
23.一种基于图像识别的pcb板元器件安装复核系统，包括硬件平台，所述的硬件平台包括相机、补光灯、激光灯和激光支架，相机通过相机固定架固定在工作台上，补光灯置于相机旁边，激光灯与激光支撑架相连，激光支撑架固定在工作台上，pcb实物板置于相机正下方。
24.一种基于图像识别的pcb板元器件安装复核方法，包括以下步骤：
25.步骤s1：在工作台上固定好拍摄所用的相机、补光灯、激光灯、激光支撑架和pcb实物板；
26.步骤s2：用相机拍摄摆放在工作台上的pcb实物板得到实物图；
27.步骤s3：采用图像hsv空间饱和度二值区分工作台台面和pcb实物板区域，然后提取出pcb实物板轮廓区域；
28.步骤s4：找出pcb板所在连通域；
29.步骤s5：获取坐标，将pcb实物图坐标变换到电路图图纸坐标系下；
30.步骤s6：用yolov4目标检测网络提取元器件类型位置；
31.步骤s7：计算相同坐标系下实物图元器件位置与电路图图纸元器件位置之间的diou；
32.步骤s8：根据diou最大的原则，比较对应实物图元器件和电路图图纸元器件的类型是否统一。
33.于本实施例中，目标检测网络算法采用yolov4。yolov4是yolov3的改进版，引入了大量先进的特性以增强网络的识别能力。yolov4采用的架构是：cspdarknet53作为backbone，spp模块用于增大感受野，panet用作neck，并仍沿袭yolov3(anchor based)head。请参照图3，通用目标检测器的结构，通常可以分为input、backbone、neck、head四个部分。请参照图4，对13*13*1024的特征层进行三次卷积操作后，利用不同大小的卷积核(分
别为5*5，9*9，13*13)对特征层最大池化，将结果堆叠后，再进行三次卷积。采用spp模块的方式，比单纯的使用k*k最大池化的方式，更有效的增加主干特征的接收范围，显著的分离了最重要的上下文特征，而且几乎不会导致网络操作速度的降低；spp最后经过卷积的特征图[concat conv x3]，进行两倍上采样，高宽从13*13变成26*26，与主干网络中26*26*512堆叠，实现特征融合
①
，再经过5个卷积层以后，继续上采样变成52*52，与主干网络中的52*52*256堆叠，实现特征融合
②
，特征融合
②
会作为输入特征矩阵，送到第一个yolo head中预测，然后经过5个卷积层以后，进行下采样操作，尺寸变回26*26，然后与特征融合
①
堆叠，实现特征融合
③
，特征融合
③
会作为输入特征矩阵，送到第二个yolo head中预测，再次经过5个卷积层以后，进行下采样操作，尺寸变回26*26，然后与特征融合
③
堆叠，实现特征融合
④
，特征融合
④
会作为输入特征矩阵，送到第三个yolo head中预测。
[0034]
yolov4中选择panet进行实例分割的原因是它能够准确地保存空间信息，有助于正确定位像素点，形成mask。当图像经过神经网络的各个层时，特征的复杂度增加，同时图像的空间分辨率降低，因此，像素级mask无法通过高层次的特征准确的识别。yolov3中使用的fpn使用自顶向下的路径来提取语义丰富的特征并将其与精确的定位信息结合起来，但对于为大目标生成mask，这种方法可能会导致路径过于冗长，因为空间信息可能需要传播到数百个层；另一方面，panet使用另一条自底向上的路径，而fpn采用的自顶向下的路径，通过使用从底层到顶层的横向连接，这有助于缩短路径，这就是所谓的“shortcut”连接，它只有大约10层，panet好处是快速、简单和非常有效的，它包含可以通过管道聚合的信息的组件，缩短了最低层和顶层之间的距离，并且丰富了每个层级的特征。
[0035]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。