本发明涉及图像数据筛选，尤其涉及一种基于多种人工智能分类算法的图像数据筛选方法。
背景技术：
1、在电子制造领域，表面贴装技术(smt，surface mount techno l ogy)已成为主流工艺，广泛应用于各种电子产品的制造过程中。随着smt技术的不断发展和完善，其对生产效率和产品质量的要求也越来越高。随着smt生产线的不断扩张和复杂化，产生的图像数据也越来越多，有效数据及无效数据混合，但并非所有的图像数据都对生产质量的控制具有同等的重要性。
2、因此，需要从海量的图像数据中筛选出有价值的图像数据，而现有smt图像数据筛选方式更多是人工筛选方法，如目视检查、手动分类等，具有耗时、易出错、不适用于大规模数据处理等局限性，目前市场上缺乏针对smt图像数据筛选的高效、准确、自动化的方法。
技术实现思路
1、有鉴于此，本发明目的在于提供一种基于多种人工智能分类算法的图像数据筛选方法，以实现对smt图像的高效、自动化筛选，提高筛选结果的准确性。
2、本发明公开了一种基于多种人工智能分类算法的图像数据筛选方法，该方法包括以下步骤：
3、采集smt图像数据，并将采集到的smt图像数据存储到数据库中，作为第一存储数据；
4、将第一存储数据以一级文件夹为元器件类型，二级文件夹为元器件细分型号，三级文件夹为缺陷类型的结构进行保存；其中，二级文件夹为一级文件夹的子文件夹，三级文件夹为二级文件夹的子文件夹；
5、对第一存储数据执行数据处理操作，并以一级文件夹为元器件类型，二级文件夹为缺陷类型，三级文件夹为元器件细分型号的结构对处理后的数据进行存储，作为第二存储数据；
6、对第二存储数据执行初筛操作，所述初筛操作包括将第二存储数据按有用数据和无用数据进行筛选，并对进行初筛后的数据分别以有用数据文件夹和无用数据文件夹分开保存，作为第三存储数据；
7、通过不同分类算法分别构建初始分类模型，并基于第三存储数据训练初始分类模型，得到不同分类算法对应的分类模型；所述分类算法包括a l exnet算法、vggnet-16算法、goog l enet算法以及resnet-18算法；
8、根据需要分类的smt图像数据从不同分类模型中选择出目标分类模型，通过目标分类模型输出筛选结果。
9、进一步地，基于a l exnet算法构建初始分类模型包括设计包含局部感知域增强的a l exnet模型，在部分卷积层中引入多尺度卷积核和增大卷积核尺寸。
10、进一步地，基于vggnet-16算法构建初始分类模型包括设计包含深度特征融合的vggnet-16模型，在网络的中间层引入跳跃连接，将浅层特征与深层特征融合。
11、进一步地，基于goog l enet算法构建初始分类模型包括设计包含动态卷积核选择机制的goog l enet模型，在i ncept i on模块中引入动态卷积核选择机制，根据输入特征的不同选择最适合的卷积核尺寸。
12、进一步地，基于resnet-18算法构建初始分类模型包括设计包含多尺度特征融合的resnet-18模型，在每个残差块中引入多尺度特征提取模块，基于多尺度特征提取模块捕获不同尺度的图像；
13、对多尺度特征提取模块引入不同尺寸的卷积核，并在残差块中进行融合。
14、进一步地，所述基于第三存储数据训练初始分类模型，得到不同分类算法对应的分类模型具体包括：
15、在基于不同的分类算法构建好不同的初始分类模型后，选取第三存储数据中的部分数据对初始分类模型进行训练；
16、计算每个初始分类模型的指标，所述指标包括准确率、召回率、f1-score；
17、根据每个初始分类模型指标的计算结果对模型进行评估，并根据评估结果分析不同smt图像数据特征在各个初始分类模型中的表现，基于分析结果将特征分组与初始分类模型性能关联。
18、进一步地，所述基于第三存储数据训练初始分类模型，得到不同分类算法对应的分类模型具体还包括：
19、根据特征分组和初始分类模型性能的关联结果基于第三存储数据确定各个初始分类模型的训练数据集，通过确定好的训练数据集继续训练各个初始分类模型，得到不同分类算法对应的分类模型。
20、进一步地，所述根据需要分类的smt图像数据从不同分类模型中选择出目标分类模型具体包括：
21、对需要分类的smt图像数据的每张图像进行特征分析，根据特征分析的结果从不同的分类模型中选择合适的分类模型作为目标分类模型。
22、进一步地，在确定好目标分类模型后，基于目标分类模型特点对需要分类的smt图像数据进行特征提取，得到输入数据集。
23、进一步地，所述方法还包括：
24、在确定出的目标分类模型不止一个时，将需要进行分类的每个图像输入至目标分类模型，计算各个目标分类模型的预测置信度，根据预测置信度选择最终分类模型的输出结果作为最终输出结果。
25、与现有技术相比，本发明的有益效果为：
26、本发明通过多种分类算法分别训练得到分类模型，并根据对待分类的图像数据进行特征分析，基于不同分类模型的特点匹配适合的分类模型，从而实现对smt图像的高效、自动化筛选，提高筛选结果的准确性。
1.一种基于多种人工智能分类算法的图像数据筛选方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于多种人工智能分类算法的图像数据筛选方法，其特征在于，基于alexnet算法构建初始分类模型包括设计包含局部感知域增强的alexnet模型，在部分卷积层中引入多尺度卷积核和增大卷积核尺寸。
3.根据权利要求1所述的基于多种人工智能分类算法的图像数据筛选方法，其特征在于，基于vggnet-16算法构建初始分类模型包括设计包含深度特征融合的vggnet-16模型，在网络的中间层引入跳跃连接，将浅层特征与深层特征融合。
4.根据权利要求1所述的基于多种人工智能分类算法的图像数据筛选方法，其特征在于，基于googlenet算法构建初始分类模型包括设计包含动态卷积核选择机制的googlenet模型，在inception模块中引入动态卷积核选择机制，根据输入特征的不同选择最适合的卷积核尺寸。
5.根据权利要求1所述的基于多种人工智能分类算法的图像数据筛选方法，其特征在于，基于resnet-18算法构建初始分类模型包括设计包含多尺度特征融合的resnet-18模型，在每个残差块中引入多尺度特征提取模块，基于多尺度特征提取模块捕获不同尺度的图像；
6.根据权利要求1所述的基于多种人工智能分类算法的图像数据筛选方法，其特征在于，所述基于第三存储数据训练初始分类模型，得到不同分类算法对应的分类模型具体包括：
7.根据权利要求6所述的基于多种人工智能分类算法的图像数据筛选方法，其特征在于，所述基于第三存储数据训练初始分类模型，得到不同分类算法对应的分类模型具体还包括：
8.根据权利要求7所述的基于多种人工智能分类算法的图像数据筛选方法，其特征在于，所述根据需要分类的smt图像数据从不同分类模型中选择出目标分类模型具体包括：
9.根据权利要求8所述的基于多种人工智能分类算法的图像数据筛选方法，其特征在于，在确定好目标分类模型后，基于目标分类模型特点对需要分类的smt图像数据进行特征提取，得到输入数据集。
10.根据权利要求9所述的基于多种人工智能分类算法的图像数据筛选方法，其特征在于，所述方法还包括：
