本发明涉及图像识别，特别是涉及一种针对pcba板的元器件识别方法、介质及设备。
背景技术：
1、随着电子制造业的快速发展，作为现代信息产业的基本组成部分，印制电路板广泛用于多个制造领域，如计算机、通信、电子设备和航空航天系统等。随着集成电路的发展，电子系统不断地向小型化、微型化以及高度集成化等方向演进，印制电路板上电子元器件的体积也越来越小。随着相机技术的快速发展，图像的分辨率越来越大，对于原始图像的处理任务也越来越多，在实际的工程应用中，为了宏观的看到整个相对大的物体的全貌，需要相机的视野比较大，导致整个图像的分辨率较大，因此贴片电阻、色环电阻、贴片电容等封装的元器件在整个图像中所占的比例非常小，现有的目标检测算法也无法直接检测到此类小目标，且采用原始图像对检测模型训练时，需要大量的计算资源，将图像压缩后可以降低数据处理量，以减少消耗的计算资源，但是又会影响检测效果。
2、为了解决上述问题，可以对pcba板的原始图像进行切割，利用得到的切割图像对检测模型进行训练，然后将待检测的原始图像的切割图像输入训练好的神经网络模型，以识别各切割图像中包含的电子元器件，但是由于电子元器件在pcba板上呈现不均匀分布状态，导致得到的切割图像上可能没有得到完整的电子元器件，又因为很多电子元器件的部分结构极为相似，如二极管与发光二极管只差一个箭头，有些仅是芯片引脚不同等；因此当切割图像时只获取到电子元器件的部分结构，可能导致出现识别误差、降低精度。
3、因此，如何对其进行改善，是该领域亟待解决的技术问题。
技术实现思路
1、基于此，本技术目的在于提供一种针对pcba板的元器件识别方法、介质及设备，来解决上述背景技术中提及的至少一个技术问题。
2、第一方面，本技术提供了一种针对pcba板的元器件识别方法，包括：
3、构建并训练以pcba板的图像数据为输入，pcba板上各元器件的目标类别、目标框数据和置信度为输出的神经网络模型；
4、获取当前待识别pcba板的原始图像，并将其分割为若干分割图像；相邻分割图像之间存在重叠区域；
5、将各分割图像，输入神经网络模型，得到各分割图像上各元器件的目标类别、目标框数据和置信度；
6、根据各分割图像上各元器件的目标框数据，将各目标框映射于原始图像对应位置；
7、根据各元器件的目标类别、目标框数据和置信度，对重叠的目标框进行冗余更新，得到更新后的目标框；
8、将更新后的目标框的目标类别、目标框数据和置信度以目标标签标注在原始图像的对应目标框上。
9、进一步的，神经网络模型的具体结构为：
10、输入层，用于接收输入图像数据，然后将图像数据传递给卷积层；
11、卷积层，与输入层连接，用于从输入图像数据中提取局部特征，得到初始特征图；
12、批归一化层，与卷积层连接，用于对每一层的输出进行归一化处理，以提高训练稳定性和加速收敛，减少内部协变量偏移，得到归一化后的更新特征图；
13、池化层，与批归一化层连接，用于减少更新特征图的空间维度，保留主要特征，然后对更新特征图进行池化操作以减小计算量并防止过拟合，得到优化特征图；
14、特征融合层，与池化层连接，用于融合来自不同层级的特征图，以捕捉不同大小的物体信息，得到最终特征图；
15、检测头，与特征融合层连接，用于对最终特征图进行进一步处理，以生成检测结果，包括目标框位置、元器件类别和置信度；
16、输出层，与检测头连接，用于将检测头生成的目标框、类别和置信度整合成最终的检测结果，为各目标对应的目标标签。
17、进一步的，卷积层包括：
18、第一卷积单元，用于提取图像数据的纹理特征图；
19、第二卷积单元，用于提取图像数据的颜色特征图；
20、第三卷积单元，用于提取图像数据的形状特征图；
21、融合单元，用于融合各卷积单元得到的纹理特征图、颜色特征图和形状特征图，得到更具区分性和相关性的初始特征图。
22、进一步的，构建并训练神经网络模型的步骤，包括：
23、构建初始神经网络模型；
24、采集若干份原始图像，对原始图像中各元器件进行标注，得到标注图像；
25、设定各原始图像中切割块的大小、移动步长、移动方向和起始位置；
26、根据起始位置、移动步长和移动方向依次移动切割块，并根据切割块的大小提取切割块覆盖范围内的像素点，为分割图像；相邻分割图像之间存在重叠区域；
27、判断各分割图像中是否包含元器件，若否，则剔除该分割图像，若是，则根据各分割图像中元器件的标注，得到每个元器件对应的目标类别、目标框数据，以各分割图像上各元器件及其目标类别和目标框数据为原始图像子集；
28、对原始图像子集中的每个分割图像旋转若干次预定角度，得到不同角度的新子集；
29、根据原始图像子集、新子集，构建训练数据集；
30、将训练数据集输入初始神经网络模型，以优化初始神经网络模型的各项参数，得到最终的神经网络模型。
31、进一步的，获取当前待识别pcba板的原始图像，并将其分割为若干分割图像的步骤，还包括：
32、获取分割图像特征点在原始图像中的坐标；分割图像特征点，可选包括图像中心点、图像角点。
33、进一步的，根据各元器件的目标类别、目标框数据和置信度，对重叠的目标框进行冗余更新，得到更新后的目标框的步骤，包括：目标框数据，包括目标框位置和目标框大小；
34、根据目标框数据，计算两两重叠目标框之间的重叠指数，并将重叠指数大于重叠阈值的目标框，设定为同一重叠目标框组；
35、判断各重叠目标框组中各目标框对应的目标类别是否相同，若是，则保留置信度最高的目标框，去除该组其他目标框；若否，则保留目标框大小最大的目标框，去除该组其他目标框。
36、进一步的，计算两两重叠目标框之间的重叠指数，具体为：计算两两重叠目标框的重叠面积与二者总面积之和的比值。
37、进一步的，根据各元器件的目标类别、目标框数据和置信度，对重叠的目标框进行冗余更新，得到更新后的目标框的步骤，还包括：
38、根据各目标框对应的置信度和目标框大小，计算其目标特征指数，保留目标特征指数较大的目标框，去除该组其他目标框。
39、第二方面，本技术还提供了一种计算机存储介质，存储有可执行程序代码；所述可执行程序代码，用于执行第一方面任意一项所述的针对pcba板的元器件识别方法。
40、第三方面，本技术还提供了一种终端设备，包括存储器和处理器；所述存储器存储有可被处理器执行的程序代码；所述程序代码用于执行第一方面任意一项所述的针对pcba板的元器件识别方法。
41、本发明提供的一种针对pcba板的元器件识别方法、介质及设备，首先构建并训练以pcba板的图像数据为输入，pcba板上各元器件的目标类别、目标框数据和置信度为输出的专用神经网络模型；然后获取当前待识别pcba板的原始图像，并将其分割为若干分割图像，关键为避免切割时无法得到电子元器件的完整图像，而在分割时保障相邻分割图像之间存在重叠区域，提高后续神经网络模型的识别准确率，同时分割图像的分辨率较低，可以降低消耗的计算资源；在此基础上，再将各分割图像，输入神经网络模型，得到各分割图像上各元器件的目标类别、目标框数据和置信度；接着，根据各分割图像上各元器件的目标框数据，将各目标框映射于原始图像对应位置，再根据各元器件的目标类别、目标框数据和置信度，对重叠的目标框进行冗余更新，得到更新后的目标框，其关键在于避免切割图像时只获取到电子元器件的部分结构，导致出现识别误差、降低精度以及标注冗余的问题；最后将更新后的目标框的目标类别、目标框数据和置信度以目标标签标注在原始图像的对应目标框上。本发明的关键在于，前期分割包括重叠部分，后期识别包括冗余去除部分，解决了现有技术计算资源消耗高，数据处理量大，识别误差大和识别精度低等问题。
1.一种针对pcba板的元器件识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，神经网络模型的具体结构为：
3.根据权利要求2所述的方法，其特征在于，卷积层包括：
4.根据权利要求1所述的方法，其特征在于，构建并训练神经网络模型的步骤，包括：
5.根据权利要求1所述的方法，其特征在于，获取当前待识别pcba板的原始图像，并将其分割为若干分割图像的步骤，还包括：
6.根据权利要求1所述的方法，其特征在于，根据各元器件的目标类别、目标框数据和置信度，对重叠的目标框进行冗余更新，得到更新后的目标框的步骤，包括：目标框数据，包括目标框位置和目标框大小；
7.根据权利要求6所述的方法，其特征在于，计算两两重叠目标框之间的重叠指数，具体为：计算两两重叠目标框的重叠面积与二者总面积之和的比值。
8.根据权利要求7所述的方法，其特征在于，根据各元器件的目标类别、目标框数据和置信度，对重叠的目标框进行冗余更新，得到更新后的目标框的步骤，还包括：
9.一种计算机存储介质，其特征在于，存储有可执行程序代码；所述可执行程序代码，用于执行权利要求1-8任意一项所述的针对pcba板的元器件识别方法。
10.一种终端设备，其特征在于，包括存储器和处理器；所述存储器存储有可被处理器执行的程序代码；所述程序代码用于执行权利要求1-8任意一项所述的针对pcba板的元器件识别方法。
