1.基于卷积神经网络的智能电能表芯片视觉识别比对系统，其特征是：包括
在工作平台（13）的台面上设有相对的两条导轨（5），两块电路板卡槽（8）通过滑块（9）安装在导轨（5）上，电路板（16）放置在两块电路板卡槽（8）中；在工作平台（13）上还连接有支架（14），支架（14）的顶端通过安装板（15）连接相机防护壳（11），相机防护壳（11）内连接有相机（1）；相机防护壳（11）前部连接有光源连接板（12），光源连接板（12）与环形光源（2）相连接，匀光板（3）连接在环形光源（2）的前端；光源控制器（4）通过电缆与环形光源（2）相连接，相机（1）通过千兆网与计算机（7）相连。
2.根据权利要求1所述的基于卷积神经网络的智能电能表芯片视觉识别比对系统，其特征是：所述相机（1）的机身上设有相机固定孔（18），通过螺丝将相机（1）安装连接在相机防护壳（11）上；光源连接板（12）与相机防护壳（11）为一体结构，光源连接板（12）通过螺丝与环形光源（2）相连接；匀光板（3）通过匀光板安装孔（20）通过螺丝安装连接在环形光源（2）的前端；所述环形光源（2）安装在相机（1）的下方，且中心与相机（1）的镜头中心同轴。
3.根据权利要求1所述的基于卷积神经网络的智能电能表芯片视觉识别比对系统，其特征是：所述电路板卡槽（8）为纵向条形板状结构，下部纵向条形边带有纵向凸台，用于将电路板（16）卡于两个相对的电路板卡槽（8）之间。
4.根据权利要求1所述的基于卷积神经网络的智能电能表芯片视觉识别比对系统，其特征是：所述相机防护壳（11）通过与工作平台（13）上的安装板（15）由螺丝经过安装孔（21）相连接；所述相机防护壳（11）设在相机（1）的外部，与相机（1）的外形相吻合。
5.根据权利要求1所述的基于卷积神经网络的智能电能表芯片视觉识别比对系统，其特征是：所述工作平台（13）是在四个支腿上部固定连接有方形的框架结构台面，其中台面的两个相对的框架为相互平行；在框架台面的边上连接有直角形支架（14）；所述支腿的最下端连接有脚杯，用来调节工作平台台面的高度。
6.根据权利要求1所述的基于卷积神经网络的智能电能表芯片视觉识别比对系统，其特征是：包括：
智能电能表pcb电路板定位模块：用于实现将电路板放置在ccd相机正下方；
图像采集模块：用于实现pcb电路板图像采集，去噪声；
ic芯片字符识别模块：用于将采集的pcb电路板图像作为输入到ic芯片识别模块；
数据处理模块：用于将识别的芯片型号进行对比，并将芯片型号及电路板图像输入到数据存储模块。
7.基于卷积神经网络的智能电能表芯片视觉识别比对方法，其特征是：包括以下步骤：
步骤1.智能电能表pcb电路板定位；
步骤2.智能电能表pcb电路板电子元器件背景及电子元器件字符型号图像采集；
步骤3.芯片候选区域定位及单个字符提取；
步骤4.芯片型号的识别；
步骤5.数据处理及存储。
8.根据权利要求7所述的基于卷积神经网络的智能电能表芯片视觉识别比对方法，其特征是：所述步骤3.芯片候选区域定位及单个字符提取，包括以下步骤：
（1）采集电子元器件图像，将曝光设置为采集电子元器件字符图像的曝光时间，使电子元器件上面的字符型号与电子元器件背景对比度明显，获取清晰的电子元器件字符图像；
（2）然后对所获取的候选区域图像进行自适应阈值；所述自适应阈值采用局部二值化，降低光照不均匀产生的影响，获取更好的字符图像二值化效果；
（3）然后对自适应阈值图像进行形态学滤波，删除面积小的噪声点；
（4）对芯片区域二值化图像进行行投影，利用投影结果得到每行字符在图像上的行起点跟行终点，从而将芯片区域上的多行字符分割成多个行图像；
（5）对行字符图像进行垂直投影分割，从而分割得到多个字符区域，计算每个字符区域的宽度、长宽比及相邻字符间距，根据先验知识确定这个字符区域是否是单个字符区域；如果单个字符区域宽度过小及相邻的字符区域宽度过小，同时字符间距过小这种情况为字符断裂情况将这两个相邻区域进行合并；如果单个字符区域过大，大于两个字符区域宽度，这种情况是字符粘连情况；单独对这个字符区域进行二次分割，将列投影最小的位置作为分割位置；
（6）将处理后的单个字符区域图像进行归一化，得到单个字符归一化图像。
9.根据权利要求7所述的基于卷积神经网络的智能电能表芯片视觉识别比对方法，其特征是：所述步骤4.芯片型号的识别是将归一化的单个字符图像输入训练好的卷积神经网络模型实现数字及字母的识别；包括以下步骤：
第一：离线训练：
（1）采集电子元器件型号样本字符图像，包括数字1-9，大写字母a-z；每个字符需要50个原始样本归一化图像，大小为28x20；
（2）使用样本扩增技术，包括将样本图像平移、旋转、图像缩放、使用膨胀腐蚀改变字体粗细及添加噪声技术使单个字符样本数量拓展至每种字符10000个；
（3）将拓展之后样本图像输入卷积神经网络模型，卷积神经网络提取每种样本图像的卷积层特征；将卷积层特征作为输入，完成卷积神经网络模型参数训练；
第二：在线识别：
（1）将单个字符图像进行归一化处理得到归一化图像，归一化单个字符的图像大小为28x20；
（2）将归一化图像作为输入，提取卷积特征输入到已经离线训练好的卷积神经网络模型分类器得到字符的种类完成字符识别。
10.根据权利要求7所述的基于卷积神经网络的智能电能表芯片视觉识别比对方法，其特征是：所述步骤5.数据处理及存储，包括：
将识别芯片型号数据的结果与招标列表清单型号进行对比，如果对招标文件列表清单型号不一致，则报警，并进行人工确认；如果型号一致，则自动将识别的芯片型号数据及电路板原始图像进行本地存储，并将识别芯片型号通过udp通信技术录入质检业务管理系统。