芯片元器件的识别方法、模型训练方法及装置与流程

1.本公开实施例涉及人工智能技术中的深度学习，尤其涉及一种芯片元器件的识别方法、模型训练方法及装置。


背景技术：

2.芯片(microchip)元器件是指半导体元件产品的统称，用于形成集成电路(integrated circuit，ic)。
3.在现有技术中，对芯片元器件的识别方法主要包括：获取芯片元器件上的字符串，结合字符串和预设模板确定对芯片元器件的识别结果。
4.然而，采用上述方法，存在识别的准确性偏低的技术问题。


技术实现要素：

5.本公开实施例提供一种芯片元器件的识别方法、模型训练方法及装置，用以解决对芯片元器件的识别的准确性偏低的问题。
6.第一方面，本公开实施例提供一种芯片元器件的识别方法，包括：
7.获取待识别的芯片元器件的极性属性，其中，所述极性属性为有极性或者为无极性；
8.根据所述极性属性调用用于识别所述待识别的芯片元器件的识别方法，其中，有极性和无极性各自对应的识别方法不同；
9.根据调用的识别方法对所述待识别的芯片元器件进行识别处理，得到识别结果。
10.在一些实施例中，若所述极性属性为无极性，则根据调用的识别方法对所述待识别的芯片元器件进行识别处理，得到识别结果，包括：
11.获取所述待识别的芯片元器件的待识别图像；
12.若所述待识别图像为颠倒图像，则基于预设的映射关系对所述颠倒图像进行识别处理，得到所述识别结果，其中，所述映射关系用于表征颠倒的文本与字符之间的对应的关系。
13.在一些实施例中，若所述待识别图像为颠倒图像，则基于预设的映射关系对所述颠倒图像进行识别处理，得到所述识别结果，包括：
14.若所述待识别图像为颠倒图像，则获取所述颠倒图像中的待识别的芯片元器件的颠倒的描述文本；
15.根据所述映射关系确定与所述颠倒的描述文本对应的字符，并根据确定出的与所述颠倒的描述文本对应的字符，确定所述识别结果。
16.在一些实施例中，根据确定出的与所述颠倒的描述文本对应的字符，确定所述识别结果，包括：
17.根据所述映射关系，对确定出的与所述颠倒的描述文本对应的字符进行反映射处理，得到所述识别结果。
18.在一些实施例中，若所述极性属性为无极性，则根据所述极性属性调用用于识别所述待识别的芯片元器件的识别方法，包括：调用无极性识别模型；
19.以及，根据调用的识别方法对所述待识别的芯片元器件进行识别处理，得到识别结果，包括：基于所述无极性识别模型对所述待识别的芯片元器件进行识别处理，得到所述识别结果；
20.其中，所述无极性识别模型是基于第一样本数据集训练得到的，所述第一样本数据集包括第一样本图像，所述第一样本图像为颠倒图像，所述第一样本图像包括无极性的芯片元器件的描述文本。
21.在一些实施例中，若所述极性属性为有极性，则根据调用的识别方法对所述待识别的芯片元器件进行识别处理，得到识别结果，包括：
22.获取所述待识别的芯片元器件的待识别图像；
23.对所述待识别图像进行图像增强处理，得到增强图像，并对所述增强图像进行识别处理，得到所述识别结果。
24.在一些实施例中，若所述极性属性为有极性，则根据所述极性属性调用用于识别所述待识别的芯片元器件的识别方法，包括：调用有极性识别模型；
25.以及，根据调用的识别方法对所述待识别的芯片元器件进行识别处理，得到识别结果，包括：基于所述有极性识别模型对所述待识别的芯片元器件进行识别处理，得到所述识别结果；
26.其中，所述有极性识别模型是基于第二样本数据集训练得到的，所述第二样本数据集包括第二样本图像，所述第二样本图像包括有极性的芯片元器件的描述文本。
27.在一些实施例中，所述有极性识别模型是对所述第二样本图像进行图像增强处理，并基于所述第二样本图像、以及增强处理后的图像训练得到的。
28.在一些实施例中，所述有极性识别模型是对所述第二样本图像进行随机掩码处理，得到掩码处理后的图像，并基于所述第二样本图像、以及掩码处理后的图像训练得到的。
29.在一些实施例中，所述有极性识别模型是对所述第二样本图像进行随机掩码处理，得到掩码区域，对掩码区域进行模糊处理，得到掩码处理后的图像，并基于所述第二样本图像、以及掩码处理后的图像训练得到的，其中，所述模糊处理包括高斯模糊处理和/或中值模糊处理。
30.第二方面，本公开实施例提供一种模型训练方法，包括：
31.获取第一样本数据集，其中，所述第一样本数据集中包括第一样本图像，所述第一样本图像为颠倒图像；
32.根据所述第一样本数据集训练得到无极性识别模型，其中，所述无极性识别模型用于若待识别的芯片元器件的极性属性为无极性，则对所述待识别的芯片元器件进行识别处理，得到识别结果。
33.在一些实施例中，所述第一样本图像包括无极性的芯片元器件的描述文本；根据所述第一样本数据集训练得到无极性识别模型，包括：
34.根据所述第一样本图像中的描述文本构建映射关系，其中，所述映射关系用于表征颠倒的文本与字符之间的对应的关系；
35.根据所述第一样本图像和所述映射关系，训练得到所述无极性识别模型。
36.在一些实施例中，根据所述第一样本图像和所述映射关系，训练得到所述无极性识别模型，包括：
37.根据预设的基础网络模型预测所述第一样本图像中的描述文本的预测字符；
38.根据所述预测字符和所述映射关系，对所述基础网络模型进行训练，得到所述无极性识别模型。
39.在一些实施例中，根据所述预测字符和所述映射关系，对所述基础网络模型进行训练，得到所述无极性识别模型，包括：
40.根据所述映射关系确定所述第一样本图像中的描述文本的真实字符；
41.计算所述预测字符与所述真实字符之间的差异信息，并根据所述差异信息对所述基础网络模型的模型参数进行调整，得到所述无极性识别模型。
42.在一些实施例中，获取第一样本数据集，包括：
43.获取无极性的芯片元器件的图像；
44.从所述无极性的芯片元器件的图像中，获取颠倒图像，并根据所述颠倒图像构建所述第一样本数据集。
45.第三方面，本公开实施例提供一种芯片元器件的识别装置，包括：
46.第一获取单元，用于获取待识别的芯片元器件的极性属性，其中，所述极性属性为有极性或者为无极性；
47.调用单元，用于根据所述极性属性调用用于识别所述待识别的芯片元器件的识别方法，其中，有极性和无极性各自对应的识别方法不同；
48.识别单元，用于根据调用的识别方法对所述待识别的芯片元器件进行识别处理，得到识别结果。
49.在一些实施例中，若所述极性属性为无极性，所述识别单元，包括：
50.第一获取子单元，用于获取所述待识别的芯片元器件的待识别图像；
51.第一识别子单元，用于若所述待识别图像为颠倒图像，则基于预设的映射关系对所述颠倒图像进行识别处理，得到所述识别结果，其中，所述映射关系用于表征颠倒的文本与字符之间的对应的关系。
52.在一些实施例中，第一识别子单元，包括：
53.获取模块，用于若所述待识别图像为颠倒图像，则获取所述颠倒图像中的待识别的芯片元器件的颠倒的描述文本；
54.确定模块，用于根据所述映射关系确定与所述颠倒的描述文本对应的字符，并根据确定出的与所述颠倒的描述文本对应的字符，确定所述识别结果。
55.在一些实施例中，所述确定模块用于，根据所述映射关系，对确定出的与所述颠倒的描述文本对应的字符进行反映射处理，得到所述识别结果。
56.在一些实施例中，所述调用单元用于，调用无极性识别模型；
57.以及，所述识别单元用于，基于所述无极性识别模型对所述待识别的芯片元器件进行识别处理，得到所述识别结果；
58.其中，所述无极性识别模型是基于第一样本数据集训练得到的，所述第一样本数据集包括第一样本图像，所述第一样本图像为颠倒图像，所述第一样本图像包括无极性的
芯片元器件的描述文本。
59.在一些实施例中，若所述极性属性为有极性，所述识别单元，包括：
60.第二获取子单元，用于获取所述待识别的芯片元器件的待识别图像；
61.处理子单元，用于对所述待识别图像进行图像增强处理，得到增强图像；
62.第二识别子单元，用于对所述增强图像进行识别处理，得到所述识别结果。
63.在一些实施例中，若所述极性属性为有极性，所述调用单元用于，调用有极性识别模型；
64.以及，所述识别单元用于，基于所述有极性识别模型对所述待识别的芯片元器件进行识别处理，得到所述识别结果；
65.其中，所述有极性识别模型是基于第二样本数据集训练得到的，所述第二样本数据集包括第二样本图像，所述第二样本图像包括有极性的芯片元器件的描述文本。
66.在一些实施例中，所述有极性识别模型是对所述第二样本图像进行图像增强处理，并基于所述第二样本图像、以及增强处理后的图像训练得到的。
67.在一些实施例中，所述有极性识别模型是对所述第二样本图像进行随机掩码处理，得到掩码处理后的图像，并基于所述第二样本图像、以及掩码处理后的图像训练得到的。
68.在一些实施例中，所述有极性识别模型是对所述第二样本图像进行随机掩码处理，得到掩码区域，对掩码区域进行模糊处理，得到掩码处理后的图像，并基于所述第二样本图像、以及掩码处理后的图像训练得到的，其中，所述模糊处理包括高斯模糊处理和/或中值模糊处理。
69.第四方面，本公开实施例提供一种模型训练装置，包括：
70.第二获取单元，用于获取第一样本数据集，其中，所述第一样本数据集中包括第一样本图像，所述第一样本图像为颠倒图像；
71.训练单元，用于根据所述第一样本数据集训练得到无极性识别模型，其中，所述无极性识别模型用于若待识别的芯片元器件的极性属性为无极性，则对所述待识别的芯片元器件进行识别处理，得到识别结果。
72.在一些实施例中，所述第一样本图像包括无极性的芯片元器件的描述文本；所述训练单元，包括：
73.构建子单元，用于根据所述第一样本图像中的描述文本构建映射关系，其中，所述映射关系用于表征颠倒的文本与字符之间的对应的关系；
74.训练子单元，用于根据所述第一样本图像和所述映射关系，训练得到所述无极性识别模型。
75.在一些实施例中，训练子单元，包括：
76.预测模块，用于根据预设的基础网络模型预测所述第一样本图像中的描述文本的预测字符；
77.训练模块，用于根据所述预测字符和所述映射关系，对所述基础网络模型进行训练，得到所述无极性识别模型。
78.在一些实施例中，所述训练模块，包括：
79.确定子模块，用于根据所述映射关系确定所述第一样本图像中的描述文本的真实
字符；
80.计算子模块，用于计算所述预测字符与所述真实字符之间的差异信息；
81.调整子模块，用于根据所述差异信息对所述基础网络模型的模型参数进行调整，得到所述无极性识别模型。
82.在一些实施例中，所述第二获取单元，包括：
83.第三获取子单元，用于获取无极性的芯片元器件的图像，并从所述无极性的芯片元器件的图像中，获取颠倒图像；
84.构建子单元，用于根据所述颠倒图像构建所述第一样本数据集。
85.第五方面，本公开实施例提供一种电子设备，包括：存储器，处理器；
86.存储器；用于存储所述处理器可执行指令的存储器；
87.其中，所述处理器被配置为执行如第一方面或第二方面所述的方法。
88.第六方面，本公开实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面或第二方面所述的方法。
89.第七方面，本公开实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面或第二方面所述的方法。
90.本公开实施例提供的芯片元器件的识别方法、模型训练方法及装置，通过获取待识别的芯片元器件的极性属性，以调用与极性属性对应的识别方法对待识别的芯片元器件进行识别处理的技术方案，提高了对芯片元器件进行识别处理的多样性和灵活性，且使得对芯片元器件的识别处理具有针对性，从而提高识别处理的有效性和可靠性，进而实现提高确定出的识别结果的准确性的技术效果。
附图说明
91.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
92.图1为一个实施例的芯片元器件的示意图；
93.图2为另一实施例的芯片元器件的示意图；
94.图3为根据本公开一个实施例的芯片元器件的识别方法的示意图；
95.图4为根据本公开另一实施例的芯片元器件的识别方法的示意图；
96.图5为根据本公开另一实施例的芯片元器件的识别方法的示意图；
97.图6为另一实施例的芯片元器件的示意图；
98.图7为根据本公开一个实施例的模型训练方法的示意图；
99.图8为根据本公开一个实施例的芯片元器件的识别装置的示意图；
100.图9为根据本公开一个实施例的模型训练装置的示意图；
101.图10为根据本公开实施例的芯片元器件的识别方法、模型训练方法的电子设备的框图。
102.通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
103.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
104.芯片元器件被用于形成集成电路，根据芯片元器件是否有极性，可以将芯片元器件分为有极性的芯片元器件和无极性的芯片元器件。
105.在相关技术中，通常采用相同的识别方法对有极性的芯片元器件和无极性的芯片元器件进行识别处理。也即，在对芯片元器件进行识别时，无需区分该芯片元器件为有极性的芯片元器件，还是无极性的芯片元器件。
106.示例性的，可以采用下述方法对芯片元器件进行识别：
107.一个示例中，可以获取芯片元器件的字符串，对获取到的字符串进行分割，得到单个字符，并将单个字符与预设的字符模板进行匹配，以得到对芯片元器件的识别结果，即得到芯片元器件的文本内容。
108.然而，由于芯片元器件的背景比较复杂，且芯片元器件的图像的对比对可能比较低，如图1所示，而采用上述方法很难对单个字符进行分割，从而造成识别的准确性偏低的技术问题。
109.另一个示例中，可以基于深度学习算法对芯片元器件进行识别处理，如通过编码-解码网络、以及神经网络的时序类分类(connectionist temporal classification，ctc)算法，对芯片元器件进行识别处理，以得到对芯片元器件的识别结果。
110.然而，由于芯片元器件可能存在颠倒的情况，如图2所示，而采用上述方法无法进行准确识别。
111.在一些实施例中，可以在上述示例的基础上，训练得到方向识别模型，以结合方向识别模型对芯片元器件进行识别处理。
112.然而，一方面，训练方向识别模型需要时间和成本，且在识别处理时，由于增加了方向识别模型，会提高识别处理的时间，即相对降低识别效率，且会相对加入识别错误的风险，降低识别的准确性。
113.为了避免上述技术问题中的至少一种，本公开发明人经过创造性的劳动，得到了本公开的发明构思：获取待识别的芯片元器件的极性属性，以根据不同的极性属性调用不同的识别方法，以基于调用的识别方法对待识别的芯片元器件进行识别处理。
114.下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本公开的实施例进行描述。
115.请参阅图3，图3为根据本公开一个实施例的芯片元器件的识别方法的示意图，包括：
116.s301：获取待识别的芯片元器件的极性属性。
117.其中，极性属性为有极性或者为无极性。
118.示例性的，本实施例的执行主体为芯片元器件的识别装置(下文简称为识别装置)，识别装置可以为服务器(如云服务器，或者本地服务器，或者服务器集群)，也可以为终
端设备，也可以为计算机，也可以为处理器，也可以为芯片，等等，本实施例不做限定。
119.结合上述分析，芯片元器件具有极性属性，如有极性或者无极性，因此，待识别的芯片元器件也具有极性属性，如用于表征待识别的芯片元器件为有极性的芯片元器件，或者，用于表征待识别的芯片元器件为无机型的芯片元器件。
120.本实施例对获取极性属性的方式不做限定。例如，在部署待识别的芯片元器件时，若需要以一定的插入方式部署待识别的芯片元器件，则说明待识别的芯片元器件的极性属性为有极性；反之，若可以随意插入的方式对待识别的芯片元器件进行部署，则说明待识别的芯片元器件的极性属性为无极性。
121.s302：根据极性属性调用用于识别待识别的芯片元器件的识别方法。
122.其中，有极性和无极性各自对应的识别方法不同。
123.示例性的，用于识别芯片元器件的方法包括两种，一种为对有极性的芯片元器件进行识别的方法，一种为对无极性的芯片元器件进行识别的方法。
124.相应的，若待识别的芯片元器件为有极性的芯片元器件，则调用对有极性的芯片元器件进行识别的方法，以基于该识别方法对待识别的芯片元器件进行识别处理；若待识别的芯片元器件为无极性的芯片元器件，则调用对无极性的芯片元器件进行识别的方法，以基于该识别方法对待识别的芯片元器件进行识别处理。
125.其中，对有极性的芯片元器件进行识别的方法可以为，对有极性的芯片元器件进行分析，得到有极性的芯片元器件的共性特征，并基于该共性特征生成的。
126.相应的，对无极性的芯片元器件进行识别的方法可以为，对无极性的芯片元器件进行分析，得到无极性的芯片元器件的共性特征，并基于该共性特征生成的。
127.s303：根据调用的识别方法对待识别的芯片元器件进行识别处理，得到识别结果。
128.基于上述分析可知，本公开实施例提供了一种芯片元器件的识别方法，包括：获取待识别的芯片元器件的极性属性，其中，极性属性为有极性或者为无极性，根据极性属性调用用于识别待识别的芯片元器件的识别方法，其中，有极性和无极性各自对应的识别方法不同，根据调用的识别方法对待识别的芯片元器件进行识别处理，得到识别结果，在本实施例中，通过获取待识别的芯片元器件的极性属性，以调用与极性属性对应的识别方法对待识别的芯片元器件进行识别处理的技术特征，提高了对芯片元器件进行识别处理的多样性和灵活性，且使得对芯片元器件的识别处理具有针对性，从而提高识别处理的有效性和可靠性，进而实现提高确定出的识别结果的准确性的技术效果。
129.请参阅图4，图4为根据本公开另一实施例的芯片元器件的识别方法的示意图，包括：
130.s401：获取待识别的芯片元器件的极性属性。
131.其中，极性属性为有极性或者为无极性。
132.应该理解的是，为了避免繁琐的陈述，关于本实施例与上述实施例相同的技术特征，本实施例不做限定。
133.s402：若极性属性为无极性，则获取待识别的芯片元器件的待识别图像。
134.在另一些实施例中，也可以在获取待识别的芯片元器件的极性属性时，获取待识别的芯片元器件的待识别图像。
135.或者，也可以先获取待识别的芯片元器件的待识别图像，而后获取待识别的芯片
元器件的极性属性。
136.也就是说，本实施例对获取极性属性和待识别图像的先后顺序不做限定。而为了便于确定采用何种识别方法对待识别的芯片元器件进行识别，可以采用先确定极性属性，而后获取待识别图像。
137.本实施例对获取待识别图像的方式不做限定，例如：
138.一个示例中，识别装置可以与图像采集装置连接，并接收由图像采集装置发送的待识别图像。
139.另一个示例中，识别装置可以提供载入图像的工具，用户可以通过该载入图像的工具将待识别图像传输至识别装置。
140.其中，载入图像的工具可以为用于与外接设备连接的接口，如用于与其他存储设备连接的接口，通过该接口获取外接设备传输的待识别图像；载入图像的工具也可以为显示装置，如识别装置可以在显示装置上输入载入图像功能的界面，用户可以通过该界面将待识别图像导入至识别装置，识别装置获取导入的待识别图像。
141.s403：若待识别图像为颠倒图像，则基于预设的映射关系对颠倒图像进行识别处理，得到识别结果。
142.其中，映射关系用于表征颠倒的文本与字符之间的对应的关系。
143.示例性的，可以在确定待识别的芯片元器件为无极性的芯片元器件，且获取到待识别图像后，判断待识别图像是否为颠倒图像，若判断结果为待识别图像为如图2所示颠倒图像，则根据映射关系对颠倒图像进行识别处理。
144.在本实施例中，可以预先构建映射关系，以通过该映射关系表征颠倒的文本与字符之间的对应关系，以基于该映射关系对颠倒图像进行识别，从而得到颠倒图像对应的字符，进而得到识别结果。
145.结合上述分析可知，在一些实施例中，可以采用训练方向识别模型的方式对颠倒图像进行识别，然而，采用该方法既可能降低识别效率，还可能降低识别准确性，且需要消耗时间和资源进行训练，而在本实施例中，通过结合映射关系对颠倒图像进行识别，可以提高识别效率，且节约了资源，提高了识别的准确性和可靠性。
146.在一些实施例中，s403可以包括如下步骤：
147.第一步骤：若待识别图像为颠倒图像，则获取颠倒图像中的待识别的芯片元器件的颠倒的描述文本。
148.其中，描述文本是指对芯片元器件进行描述的文本，如图2中所示的对芯片元器件的种类为二极管等进行描述的文本。
149.在本实施例中，由于待识别的芯片元器件为颠倒的芯片元器件，其待识别图像为颠倒图像，则获取到的用于描述待识别的芯片元器件的文本为颠倒的文本(即颠倒的描述文本)。
150.第二步骤：根据映射关系确定与颠倒的描述文本对应的字符，并根据确定出的与颠倒的描述文本对应的字符，确定识别结果。
151.结合上述分析，映射关系表征的为颠倒的文本与字符之间的对应的关系，则当获取到颠倒的描述文本之后，可以从该映射关系中，确定与颠倒的描述文本具有对应关系的字符。
152.示例性的，在映射关系中，“颠倒的a”与字符“！”具有对应关系，则若颠倒的描述文本中包括“颠倒的a”，则可以确定出与“颠倒的a”对应的字符“！”。
153.应该理解的是，上述映射关系只是用于示范性地说明，而不能理解为对映射关系的限定。在一些实施例中，可以基于需求、历史记录、以及试验等方式构建映射关系，本实施例不做限定。
154.在本实施例中，通过确定颠倒的描述文本，以结合映射关系和颠倒的描述文本确定识别结果，以避免上述实施例中训练得到方向识别模型，并基于方向识别模型对待识别的芯片元器件进行识别处理造成的消耗资源和降低效率等弊端，提高了对待识别的芯片元器件进行识别处理的效率和可靠性的技术效果。
155.在一些实施例中，根据确定出的与颠倒的描述文本对应的字符，确定识别结果，包括：根据映射关系，对确定出的与颠倒的描述文本对应的字符进行反映射处理，得到识别结果。
156.示例性的，结合上述分析，若与颠倒的描述文本对应的字符为“！”，则根据映射关系进行反射处理，可以得到非颠倒的描述文本中包括“a”，从而确定识别结果。
157.结合图2所示，颠倒的描述文本中包括多个文字(如图2中所示的字母和数字)，则可以根据映射关系确定每个文字对应的字符，并对每个字符进行反映射处理，从而得到每个字符对应的非颠倒的文字，将各非颠倒的文字进行拼接处理，得到识别结果。
158.在另一些实施例中，在采用上述方式确定待识别的芯片元器件的识别结果之外，还可以采用模型的方式确定待识别的芯片元器件的识别结果。
159.示例性的，可以预先构建用于识别极性属性为无极性的芯片元器件的无极性识别模型，以便在确定出待识别的芯片元器件的极性属性为无极性时，调用该无极性识别模型，以基于该无极性识别模型确定待识别的芯片元器件的识别结果。
160.其中，无极性识别模型是基于第一样本数据集训练得到的，第一样本数据集包括第一样本图像，第一样本图像为颠倒图像，第一样本图像包括无极性的芯片元器件的描述文本。
161.应该理解的是，第一样本数据集中的“第一”用于与其他的样本数据集进行区分，如用于与后文中的第二样本数据集进行区分，而不能理解为对第一样本数据集的限定。
162.同理，第一样本图像中的“第一”用于与其他的样本图像进行区分，如用于与后文中的第二样本图像进行区分，而不能理解为对第一样本图像的限定。
163.第一样本图像的数量可以基于需求、历史记录、以及试验等方式进行确定，本实施例不做限定。
164.例如，针对准确性相对较高的场景，第一样本图像的数量可以相对较多，而针对准确性相对较低的场景，第一样本图像的数量可以相对较少。
165.也就是说，可以获取多个无极性的芯片元器件的颠倒图像，每一颠倒图像中包括用于对无极性的芯片元器件进行描述的描述文本，该描述文本为颠倒的文本，基于各无极性的芯片元器件的颠倒图像构建第一样本数据集，以基于第一样本数据集训练得到无极性识别模型。
166.关于基于第一样本数据集训练得到无极性识别模型的方式，本实施例不做限定。例如，可以基于第一样本数据集对基础网络模型进行训练，以得到无极性识别模型，且基础
网络模型的框架和结构本实施例不做限定。
167.值得说明的是，在本实施例中，通过结合包括无极性的芯片元器件的描述文本的颠倒图像训练得到无极性识别模型，以当确定出待识别的芯片元器件的极性属性为无极性时，调用该无极性识别模型对待识别的芯片元器件进行识别处理，得到识别结果，可以实现对无极性的芯片元器件的识别处理的针对性，从而提高识别处理的准确性和可靠性的技术效果。
168.结合上述分析可知，判断待识别图像是否为颠倒图像的判断结果，可能为如上述实施例中的待识别图像为颠倒图像，也可能待识别图像为非颠倒图像。
169.示例性的，若判断结果为待识别图像为非颠倒图像，即为正常展示的图像，则可以采用如光学字符识别(optical character recognition，ocr)技术对待识别图像进行识别处理，从而得到识别结果。
170.请参阅图5，图5为根据本公开另一实施例的芯片元器件的识别方法的示意图，包括：
171.s501：获取待识别的芯片元器件的极性属性。
172.其中，极性属性为有极性或者为无极性。
173.同理，为了避免繁琐的陈述，关于本实施例与上述实施例相同的技术特征，本实施例不做限定。
174.s502：若极性属性为有极性，则获取待识别的芯片元器件的待识别图像。
175.s503：对待识别图像进行图像增强处理，得到增强图像，并对增强图像进行识别处理，得到识别结果。
176.在本实施例中，若待识别的芯片元器件的极性属性为有极性，则待识别图像为非颠倒图像，即为正常展示的图像，则可以对待识别图像进行图像增强处理，以避免待识别图像的对比度偏低、模糊不清等问题，即增强图像相对待识别图像的更清晰，因此，对增强图像进行识别处理，可以提高识别处理的可靠性和准确性，进而使得识别结果具有较高的准确性和可靠性的技术效果。
177.在另一些实施例中，也可以采用模型的方式对待识别图像进行识别处理，以得到识别结果。
178.示例性的，可以预先构建用于识别极性属性为有极性的芯片元器件的有极性识别模型，以便在确定出待识别的芯片元器件的极性属性为有极性时，调用该有极性识别模型，以基于该有极性识别模型确定待识别的芯片元器件的识别结果。
179.其中，有极性识别模型是基于第二样本数据集训练得到的，第二样本数据集包括第二样本图像，第二样本图像包括有极性的芯片元器件的描述文本。
180.同理，第二样本图像的数量可以基于需求、历史记录、以及试验等方式进行确定，本实施例不做限定。
181.也就是说，可以获取多个有极性的芯片元器件的图像，即多个第二样本图像，每一第二样本图像中包括用于对有极性的芯片元器件进行描述的描述文本，基于各有极性的芯片元器件的第二样本图像构建第二样本数据集，以基于第二样本数据集训练得到有极性识别模型。
182.关于基于第二样本数据集训练得到有极性识别模型的方式，本实施例不做限定。
例如，可以基于第二样本数据集对基础网络模型进行训练，以得到有极性识别模型，且基础网络模型的框架和结构本实施例不做限定。
183.同理，在本实施例中，通过结合包括有极性的芯片元器件的描述文本的第二样本图像训练得到有极性识别模型，以当确定出待识别的芯片元器件的极性属性为有极性时，调用该有极性识别模型对待识别的芯片元器件进行识别处理，得到识别结果，可以实现对有极性的芯片元器件的识别处理的针对性，从而提高识别处理的准确性和可靠性的技术效果。
184.在一些实施例中，训练得到有极性识别模型可以包括如下步骤：
185.第一步骤：获取第二样本图像，并第二样本图像进行图像增强处理，得到增强处理后的图像。
186.其中，本实施例对图像增强处理的方式不做限定，如可以采用几何变换的方式对第二样本图像进行图像增强处理，得到增强处理后的图像；又如，也可以采用颜色变换的方式对第二样本图像进行增强处理，得到增强处理后的图像，等等，此处不再一一列举。
187.且采用几何变换的方式对第二样本图像进行图像增强处理，得到增强处理后的图像时，具体可以采用翻转、旋转、裁剪、变形、以及缩放等方式对第二样本图像进行图像增强处理，得到增强处理后的图像。
188.第二步骤：根据第二样本图像、以及增强处理后的图像训练得到有极性识别模型。
189.结合上述分析，第二样本图像为图像增强处理前的图像，也就是说，在本实施例中，是将图像增强处理前后的图像作为第二样本数据集，以基于该第二样本数据集训练得到有极性识别模型，可以使得有极性识别模型具有较强的辨别能力，以使得即便在待识别的芯片元器件的待识别图像中的文字模糊不清，也可以进行准确识别，从而提高确定出识别结果的准确性和可靠性的技术效果。
190.在另一些实施例中，训练得到有极性识别模型可以包括如下步骤：
191.第一步骤：获取第二样本图像，对第二样本图像进行随机掩码处理，得到掩码处理后的图像。
192.第二步骤：基于第二样本图像、以及掩码处理后的图像训练得到有极性识别模型。
193.其中，随机掩码处理是指，随机遮盖第二样本图像中的部分区域，以使得有极性识别模型具有较强的识别能力，即便是在待识别的芯片元器件的待识别图像中的部分区域模糊时，也可以较为准确的确定出待识别的芯片元器件的识别结果，即待识别的芯片元器件的文本内容。
194.在一些实施例中，对第二样本图像进行随机掩码处理，得到掩码处理后的图像可以包括：对第二样本图像进行随机掩码处理，得到掩码区域，并对掩码区域进行模糊处理，得到掩码处理后的图像。
195.其中，模糊处理包括高斯模糊处理和/或中值模糊处理。
196.示例性的，若第二样本图像如图6所示，则可以获取第二样本图像的文本内容(或者称为标签)，即“as431a”，可以预先确定随机掩码处理的文字的数量(可以为固定值)，也可以根据文本内容的长度确定随机掩码处理的文字的数量。
197.可以预测各文字的宽度，如“a”的宽度等，可以将文字的宽度确定为掩码区域的宽度，且可以通过第二样本图像的长度除以文本内容中文字的总数量确定掩码区域的宽度。
198.通过随机初始化掩码区域的起始位置，从而获得不同的掩码区域。如掩码区域可以为“a”所处的区域，也可以为“s”所处的区域等，此处不再一一列举。
199.对掩码区域进行高斯模糊处理，或者，对掩码区域进行中值模糊处理，或者，对掩码区域进行高斯模糊处理和中值模糊处理，从而得到掩码处理后的图像。
200.其中，高斯模糊(gaussian blur)处理也可以称为高斯平滑处理，用于减少图像噪声以及降低细节层次，如在本实施例中，用于减少掩码区域的图像噪声以及降低细节层次。
201.其中，中值模糊处理也可以称为中值滤波处理，是一种非线性的平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，如在本实施例中，用于将掩码区域中的像素点灰度值设置为与掩码区域相邻区域的灰度值的中值。
202.当然，在另一些实施例中，还可以采用其他方式对掩码区域进行模糊处理，如均值滤波处理和双边滤波处理等，此处不再一一列举。
203.在本实施例中，通过随机掩码处理和模糊处理确定掩码处理后的图像，以结合掩码处理后的图像构建有极性识别模型，可以提高有极性识别模型的识别性能，从而当基于有极性识别模型对待识别的芯片元器件的待识别图像进行识别处理时，可以提高识别处理的准确性和可靠性的技术效果。
204.结合上述分析可知，在一些实施例中，可以预先构建用于对有极性的芯片元器件进行识别的有极性识别模型，并构建用于对无极性的芯片元器件进行识别的无极性识别模型，以便在需要对待识别的芯片元器件进行识别时，先确定待识别的芯片元器件的极性属性，即确定待识别的芯片元器件为有极性的芯片元器件，还是无极性的芯片元器件。如果待识别的芯片元器件为有极性的芯片元器件，则调用有极性识别模型对待识别的芯片元器件进行识别处理，如果待识别的芯片元器件为无极性的芯片元器件，则调用无极性识别模型对待识别的芯片元器件进行识别处理，以提高对芯片元器件识别处理的灵活性和多样性。
205.在上述实施例中，对构建有极性识别模型进行了详细地阐述，现结合图7对可能采用的构建无极性识别模型的方法进行阐述。
206.请参阅图7，图7为根据本公开一个实施例的模型训练方法的示意图。
207.如图7所示，该方法包括：
208.s701：获取第一样本数据集。
209.其中，第一样本数据集中包括第一样本图像，第一样本图像为颠倒图像。
210.同理，为了避免繁琐的陈述，关于本实施例与上述实施例相同的技术特征，本实施例不做限定。
211.在一些实施例中，s701可以包括如下步骤：
212.第一步骤：获取无极性的芯片元器件的图像。
213.第二步骤：从无极性的芯片元器件的图像中，获取颠倒图像，并根据颠倒图像构建第一样本数据集。
214.s702：根据第一样本数据集训练得到无极性识别模型。
215.其中，无极性识别模型用于若待识别的芯片元器件的极性属性为无极性，则对待识别的芯片元器件进行识别处理，得到识别结果。
216.在一些实施例中，第一样本图像包括无极性的芯片元器件的描述文本；s702可以包括如下步骤：
217.第一步骤：根据第一样本图像中的描述文本构建映射关系。
218.其中，映射关系用于表征颠倒的文本与字符之间的对应的关系。
219.第二步骤：根据第一样本图像和映射关系，训练得到无极性识别模型。
220.示例性的，结合上述分析，第一样本图像为颠倒图像，则第一样本图像中用于描述无极性芯片元器件的文本为颠倒文本，因此，在本实施例中，可以基于第一样本图像中的描述文本(即颠倒文本)构建映射关系。
221.在一些实施例中，第二步骤可以包括子步骤：
222.第一子步骤：根据预设的基础网络模型预测第一样本图像中的描述文本的预测字符。
223.其中，本实施例对基础网络模型的类型和结构不做限定。例如，基础网络模型可以为卷积神经网络(crnn)，且为了减少训练模型的耗时，可以使用神经网络模型(backbone)的轻量化网络(mobilenet v3)，同时可以使用ctc算法进行解码。
224.第二子步骤：根据预测字符和映射关系，对基础网络模型进行训练，得到无极性识别模型。
225.示例性的，可以根据映射关系确定第一样本图像中的描述文本的真实字符，并计算预测字符与真实字符之间的差异信息，从而根据差异信息对基础网络模型的模型参数进行调整，从而得到无极性识别模型。
226.请参阅图8，图8为根据本公开一个实施例的芯片元器件的识别装置的示意图。
227.如图8所示，芯片元器件的识别装置800，包括：
228.第一获取单元801，用于获取待识别的芯片元器件的极性属性，其中，所述极性属性为有极性或者为无极性。
229.调用单元802，用于根据所述极性属性调用用于识别所述待识别的芯片元器件的识别方法，其中，有极性和无极性各自对应的识别方法不同。
230.识别单元803，用于根据调用的识别方法对所述待识别的芯片元器件进行识别处理，得到识别结果。
231.在一些实施例中，若所述极性属性为无极性，结合图8所示，所述识别单元803，包括：
232.第一获取子单元8031，用于获取所述待识别的芯片元器件的待识别图像。
233.第一识别子单元8032，用于若所述待识别图像为颠倒图像，则基于预设的映射关系对所述颠倒图像进行识别处理，得到所述识别结果，其中，所述映射关系用于表征颠倒的文本与字符之间的对应的关系。
234.在一些实施例中，第一识别子单元8032，包括：
235.获取模块，用于若所述待识别图像为颠倒图像，则获取所述颠倒图像中的待识别的芯片元器件的颠倒的描述文本。
236.确定模块，用于根据所述映射关系确定与所述颠倒的描述文本对应的字符，并根据确定出的与所述颠倒的描述文本对应的字符，确定所述识别结果。
237.在一些实施例中，所述确定模块用于，根据所述映射关系，对确定出的与所述颠倒的描述文本对应的字符进行反映射处理，得到所述识别结果。
238.在一些实施例中，所述调用单元802用于，调用无极性识别模型。
239.以及，所述识别单元803用于，基于所述无极性识别模型对所述待识别的芯片元器件进行识别处理，得到所述识别结果。
240.其中，所述无极性识别模型是基于第一样本数据集训练得到的，所述第一样本数据集包括第一样本图像，所述第一样本图像为颠倒图像，所述第一样本图像包括无极性的芯片元器件的描述文本。
241.在一些实施例中，若所述极性属性为有极性，结合图8所示，所述识别单元803，包括：
242.第二获取子单元8033，用于获取所述待识别的芯片元器件的待识别图像；
243.处理子单元8034，用于对所述待识别图像进行图像增强处理，得到增强图像；
244.第二识别子单元8035，用于对所述增强图像进行识别处理，得到所述识别结果。
245.在一些实施例中，若所述极性属性为有极性，所述调用单元802用于，调用有极性识别模型。
246.以及，所述识别单元803用于，基于所述有极性识别模型对所述待识别的芯片元器件进行识别处理，得到所述识别结果。
247.其中，所述有极性识别模型是基于第二样本数据集训练得到的，所述第二样本数据集包括第二样本图像，所述第二样本图像包括有极性的芯片元器件的描述文本。
248.在一些实施例中，所述有极性识别模型是对所述第二样本图像进行图像增强处理，并基于所述第二样本图像、以及增强处理后的图像训练得到的。
249.在一些实施例中，所述有极性识别模型是对所述第二样本图像进行随机掩码处理，得到掩码处理后的图像，并基于所述第二样本图像、以及掩码处理后的图像训练得到的。
250.在一些实施例中，所述有极性识别模型是对所述第二样本图像进行随机掩码处理，得到掩码区域，对掩码区域进行模糊处理，得到掩码处理后的图像，并基于所述第二样本图像、以及掩码处理后的图像训练得到的，其中，所述模糊处理包括高斯模糊处理和/或中值模糊处理。
251.请参阅图9，图9为根据本公开一个实施例的模型训练装置的示意图。
252.如图9所示，模型训练装置900，包括：
253.第二获取单元901，用于获取第一样本数据集，其中，所述第一样本数据集中包括第一样本图像，所述第一样本图像为颠倒图像。
254.在一些实施例中，结合图9所示，所述第二获取单元901，包括：
255.第三获取子单元9011，用于获取无极性的芯片元器件的图像，并从所述无极性的芯片元器件的图像中，获取颠倒图像；
256.构建子单元9012，用于根据所述颠倒图像构建所述第一样本数据集。
257.训练单元902，用于根据所述第一样本数据集训练得到无极性识别模型，其中，所述无极性识别模型用于若待识别的芯片元器件的极性属性为无极性，则对所述待识别的芯片元器件进行识别处理，得到识别结果。
258.在一些实施例中，所述第一样本图像包括无极性的芯片元器件的描述文本；结合图9所示，所述训练单元902，包括：
259.构建子单元9021，用于根据所述第一样本图像中的描述文本构建映射关系，其中，
所述映射关系用于表征颠倒的文本与字符之间的对应的关系；
260.训练子单元9022，用于根据所述第一样本图像和所述映射关系，训练得到所述无极性识别模型。
261.在一些实施例中，训练子单元9022，包括：
262.预测模块，用于根据预设的基础网络模型预测所述第一样本图像中的描述文本的预测字符。
263.训练模块，用于根据所述预测字符和所述映射关系，对所述基础网络模型进行训练，得到所述无极性识别模型。
264.在一些实施例中，训练模块，包括：
265.确定子模块，用于根据所述映射关系确定所述第一样本图像中的描述文本的真实字符；
266.计算子模块，用于计算所述预测字符与所述真实字符之间的差异信息；
267.调整子模块，用于根据所述差异信息对所述基础网络模型的模型参数进行调整，得到所述无极性识别模型。
268.根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。
269.根据本公开的实施例，本公开还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
270.如图10所示，是根据本公开实施例的芯片元器件的识别方法、模型训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
271.如图10所示，该电子设备包括：一个或多个处理器1001、存储器1002，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图10中以一个处理器1001为例。
272.存储器1002即为本公开所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本公开所提供的芯片元器件的识别方法、模型训练方法。本公开的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本公开所提供的芯片元器件的识别方法、模型训练方法。
273.存储器1002作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、
非瞬时计算机可执行程序以及模块，如本公开实施例中的芯片元器件的识别方法、模型训练方法对应的程序指令/模块。处理器1001通过运行存储在存储器1002中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的芯片元器件的识别方法、模型训练方法。
274.存储器1002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据芯片元器件的识别方法、模型训练方法的电子设备的使用所创建的数据等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1002可选包括相对于处理器1001远程设置的存储器，这些远程存储器可以通过网络连接至芯片元器件的识别方法、模型训练方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
275.芯片元器件的识别方法、模型训练方法的电子设备还可以包括：输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接，图10中以通过总线连接为例。
276.输入装置1003可接收输入的数字或字符信息，以及产生与芯片元器件的识别方法、模型训练方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1004可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
277.此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
278.这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
279.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用
任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
280.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
281.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
282.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。
283.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。

技术特征：
1.一种芯片元器件的识别方法，包括：获取待识别的芯片元器件的极性属性，其中，所述极性属性为有极性或者为无极性；根据所述极性属性调用用于识别所述待识别的芯片元器件的识别方法，其中，有极性和无极性各自对应的识别方法不同；根据调用的识别方法对所述待识别的芯片元器件进行识别处理，得到识别结果。2.根据权利要求1所述的方法，其中，若所述极性属性为无极性，则根据调用的识别方法对所述待识别的芯片元器件进行识别处理，得到识别结果，包括：获取所述待识别的芯片元器件的待识别图像；若所述待识别图像为颠倒图像，则基于预设的映射关系对所述颠倒图像进行识别处理，得到所述识别结果，其中，所述映射关系用于表征颠倒的文本与字符之间的对应的关系。3.根据权利要求2所述的方法，其中，若所述待识别图像为颠倒图像，则基于预设的映射关系对所述颠倒图像进行识别处理，得到所述识别结果，包括：若所述待识别图像为颠倒图像，则获取所述颠倒图像中的待识别的芯片元器件的颠倒的描述文本；根据所述映射关系确定与所述颠倒的描述文本对应的字符，并根据确定出的与所述颠倒的描述文本对应的字符，确定所述识别结果。4.根据权利要求3所述的方法，其中，根据确定出的与所述颠倒的描述文本对应的字符，确定所述识别结果，包括：根据所述映射关系，对确定出的与所述颠倒的描述文本对应的字符进行反映射处理，得到所述识别结果。5.根据权利要求1-4任一项所述的方法，其中，若所述极性属性为无极性，则根据所述极性属性调用用于识别所述待识别的芯片元器件的识别方法，包括：调用无极性识别模型；以及，根据调用的识别方法对所述待识别的芯片元器件进行识别处理，得到识别结果，包括：基于所述无极性识别模型对所述待识别的芯片元器件进行识别处理，得到所述识别结果；其中，所述无极性识别模型是基于第一样本数据集训练得到的，所述第一样本数据集包括第一样本图像，所述第一样本图像为颠倒图像，所述第一样本图像包括无极性的芯片元器件的描述文本。6.根据权利要求1所述的方法，其中，若所述极性属性为有极性，则根据调用的识别方法对所述待识别的芯片元器件进行识别处理，得到识别结果，包括：获取所述待识别的芯片元器件的待识别图像；对所述待识别图像进行图像增强处理，得到增强图像，并对所述增强图像进行识别处理，得到所述识别结果。7.根据权利要求1所述的方法，其中，若所述极性属性为有极性，则根据所述极性属性调用用于识别所述待识别的芯片元器件的识别方法，包括：调用有极性识别模型；以及，根据调用的识别方法对所述待识别的芯片元器件进行识别处理，得到识别结果，包括：基于所述有极性识别模型对所述待识别的芯片元器件进行识别处理，得到所述识别结果；
其中，所述有极性识别模型是基于第二样本数据集训练得到的，所述第二样本数据集包括第二样本图像，所述第二样本图像包括有极性的芯片元器件的描述文本。8.根据权利要求7所述的方法，其中，所述有极性识别模型是对所述第二样本图像进行图像增强处理，并基于所述第二样本图像、以及增强处理后的图像训练得到的。9.根据权利要求7所述的方法，其中，所述有极性识别模型是对所述第二样本图像进行随机掩码处理，得到掩码处理后的图像，并基于所述第二样本图像、以及掩码处理后的图像训练得到的。10.根据权利要求9所述的方法，其中，所述有极性识别模型是对所述第二样本图像进行随机掩码处理，得到掩码区域，对掩码区域进行模糊处理，得到掩码处理后的图像，并基于所述第二样本图像、以及掩码处理后的图像训练得到的，其中，所述模糊处理包括高斯模糊处理和/或中值模糊处理。11.一种模型训练方法，包括：获取第一样本数据集，其中，所述第一样本数据集中包括第一样本图像，所述第一样本图像为颠倒图像；根据所述第一样本数据集训练得到无极性识别模型，其中，所述无极性识别模型用于若待识别的芯片元器件的极性属性为无极性，则对所述待识别的芯片元器件进行识别处理，得到识别结果。12.根据权利要求11所述的方法，其中，所述第一样本图像包括无极性的芯片元器件的描述文本；根据所述第一样本数据集训练得到无极性识别模型，包括：根据所述第一样本图像中的描述文本构建映射关系，其中，所述映射关系用于表征颠倒的文本与字符之间的对应的关系；根据所述第一样本图像和所述映射关系，训练得到所述无极性识别模型。13.根据权利要求12所述的方法，其中，根据所述第一样本图像和所述映射关系，训练得到所述无极性识别模型，包括：根据预设的基础网络模型预测所述第一样本图像中的描述文本的预测字符；根据所述预测字符和所述映射关系，对所述基础网络模型进行训练，得到所述无极性识别模型。14.根据权利要求13所述的方法，其中，根据所述预测字符和所述映射关系，对所述基础网络模型进行训练，得到所述无极性识别模型，包括：根据所述映射关系确定所述第一样本图像中的描述文本的真实字符；计算所述预测字符与所述真实字符之间的差异信息，并根据所述差异信息对所述基础网络模型的模型参数进行调整，得到所述无极性识别模型。15.根据权利要求11-14任一项所述的方法，其中，获取第一样本数据集，包括：获取无极性的芯片元器件的图像；从所述无极性的芯片元器件的图像中，获取颠倒图像，并根据所述颠倒图像构建所述第一样本数据集。16.一种芯片元器件的识别装置，包括：第一获取单元，用于获取待识别的芯片元器件的极性属性，其中，所述极性属性为有极性或者为无极性；
调用单元，用于根据所述极性属性调用用于识别所述待识别的芯片元器件的识别方法，其中，有极性和无极性各自对应的识别方法不同；识别单元，用于根据调用的识别方法对所述待识别的芯片元器件进行识别处理，得到识别结果。17.一种模型训练装置，包括：第二获取单元，用于获取第一样本数据集，其中，所述第一样本数据集中包括第一样本图像，所述第一样本图像为颠倒图像；训练单元，用于根据所述第一样本数据集训练得到无极性识别模型，其中，所述无极性识别模型用于若待识别的芯片元器件的极性属性为无极性，则对所述待识别的芯片元器件进行识别处理，得到识别结果。18.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法；或者，以使所述至少一个处理器能够执行权利要求11-15中任一项所述的方法。19.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法；或者，所述计算机指令用于使所述计算机执行根据权利要求11-15中任一项所述的方法。20.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-10中任一项所述方法的步骤；或者，该计算机程序被处理器执行时实现权利要求11-15中任一项所述方法的步骤。

技术总结
本公开实施例提供一种芯片元器件的识别方法、模型训练方法及装置，包括：获取待识别的芯片元器件的极性属性，其中，极性属性为有极性或者为无极性，根据极性属性调用用于识别待识别的芯片元器件的识别方法，其中，有极性和无极性各自对应的识别方法不同，根据调用的识别方法对待识别的芯片元器件进行识别处理，得到识别结果，提高了对芯片元器件进行识别处理的多样性和灵活性，且使得对芯片元器件的识别处理具有针对性，从而提高识别处理的有效性和可靠性，进而实现提高确定出的识别结果的准确性的技术效果。性的技术效果。性的技术效果。


技术研发人员：赵佳鹏 佘爽
受保护的技术使用者：广州视源人工智能创新研究院有限公司
技术研发日：2022.03.10
技术公布日：2023/9/23