1.一种电子元器件生产流水线故障信息识别方法，其特征在于：包括：（S1）在电子元器件生产流水线上方设置监控装置；

在本步骤中，监控装置包括主控模块与所述主控模块连接的监控组件、图像处理模块、视频驱动模块和视频存储模块，其中监控组件包括图像获取单元和视频获取单元，所述图像获取单元和视频获取单元在电子元器件生产流水线上方交错设置，监控组件设置有外部接口模块，所述图像获取单元为CCD无线摄像机，所述图像获取单元设置有定位模块，所述定位模块通过故障识别实现纠偏；定位模块采用激光定位实现电子元器件在生产流水线中的定位；

其中纠偏方法为：

通过CCD无线摄像机在流水线上各种角度和已知距离之间的几何关系校正数据参数，CCD无线摄像机每个参数关系为：    （1）

公式（1）中，α1和α2表示电子元器件生产流水线实际点和理论点之间的角度；γ是CCD摄像机围绕x轴的拔模角度；d1与d2分别表示电子元器件生产流水线中间器件和左右两侧电子元器件之间测量的扭曲距离，d’1与d’2分别表示当CCD摄像机平面与电子元器件生产流水线平面平行时，生产流水线中心电子元器件和生产流水线左右两侧电子元器件之间测量的真实距离；

CCD摄像机在电子元器件生产流水线的参照高度h处采集多幅图像，将每幅图像进行特征点提取，并在图像中直接测量不同元器件的距离，将测量距离、参考距离和参考高度与CCD摄像机高度关联的反向线性函数确定真实高度H，函数表达式为：   （2）

公式（2）中，D是电子元器件生产流水线图像中以像素为单位的参考距离，在离线模式下，建立参考坐标轴，计算出CCD摄像机相对于生产流水线中心电子元器件的估计位置，如下所示：（3）

（4）

在公式（3）和（4）中，和 分别表示CCD摄像机相对于生产流水线中心电子元器件的估计x位置和y位置，δ表示CCD摄像机围绕z轴的旋转角度； 表示电子元器件与CCD摄像机的角度；

（S2）通过监控装置获取电子元器件生产流水线运行状态数据信息，并提取电子元器件的外观数据信息特征；

在本步骤中，通过卷积分方法提取电子元器件的外观数据信息特征；

（S3）故障识别，

在本步骤中，故障识别包括电子元器件外观故障识别和生产流水线生产状态故障识别；

通过模板匹配法将获取的电子元器件生产流水线信息与模板数据库内的电子元器件信息比对，当对比一致，则电子元器件无外观故障信息，当对比不一致，则电子元器件存在外观故障信息；

通过EMD混合分布算法实现生产流水线生产状态的故障识别。

2.根据权利要求1所述的一种电子元器件生产流水线故障信息识别方法，其特征在于：所述主控模块为基于STM32F103RCT6单片机的控制模块。

3.根据权利要求1所述的一种电子元器件生产流水线故障信息识别方法，其特征在于：视频获取单元为基于TMS320DM8168芯片的视频采集单元。

4.根据权利要求1所述的一种电子元器件生产流水线故障信息识别方法，其特征在于：卷积分方法提取电子元器件图像信息通过以下步骤：

步骤一、构建CNN结构模型，将CNN结构模型划分为数据输入模块、卷积模块、CNN结构模型和数据输入模块，其中数据输入模块的输出端与卷积模块的输入端连接，卷积模块与CNN结构模型交替设置，所述CNN结构模型的输出端与数据输入模块的输入端连接；

步骤二、将CNN结构模型中每一个电子元器件样本数据用二维形式进行表示，经过卷积核照射到隐层，隐层主要由卷积层C层与降采样层S层组成，C层与S层交替重复；

步骤三、图像分割，将输入CNN结构模型中的电子元器件样本数据分成很多小图像模块，其中CNN结构模型中的C层是对输入神经元数据局部特征的提取，C层的每一个平面表示一个特征矩阵，并且平面上的卷积核相等，有并行学习的特征，不同平面对应着不同的卷积核，卷积核多表示特征提取更充分，前一层输入的特征矩阵 与学习的卷积核 进行二维卷积，卷积后的数据经过激活函数可得到本层的输出特征矩阵 ，并且三者之间的维度满足 ，其表达式为：      （5）

公式（5）中，为网络层数，为卷积核， 为偏置， 为 层输出， 为 层输入； 中的上标表示 层输出，小标表示 层输出初始值；

步骤四、卷积计算，CNN结构模型中的S层使用上一层输入的电子元器件数据，并对数据进行缩小或放大，直到能够照射到相应的数据维度上，进行对相关特征提取，利用均值池化等降采样法，输入、输出和池化矩阵维度满足 ；其中S层二次电子元器件数据信息特征提取函数表示为：             （6）

公式（6）中，CNN结构模型输出层采用线性全连接的softmax分类方法进行分类，其中k表示电子元器件数据信息特征提取影响因子。

5.根据权利要求1所述的一种电子元器件生产流水线故障信息识别方法，其特征在于：EMD混合分布算法包括以下方法：

步骤（1）、生产流水线运行状态信息转换；

在本步骤中，通过EMD算法将生产流水线运行状态模拟数据划分出不同的方程量，输出函数表示为：    (7)

公式(7)中， 为生产流水线运行状态运行信号函数， 为计算函数对故障生产流水线运行状态数据信息输入的总故障数据量， 为正常电子元器件生产流水线运行状态； 中的n表示生产流水线运行状态运行信号序列个数；

步骤（2）、在N段时间内将电子元器件生产流水线运行状态的数据量转换为函数方程，N大于4小时；然后通过函数表达式拟合不同电子元器件生产流水线运行状态，计算出流水线运行状态最大变化数据量和最小数据变化量，通过将N个时间段内的状态数据信息求均值，则均值函数输出如公式（8）所示：　　 (8)

在公式（8）中 其中 为测试电子元器件生产流水线运行状态最大允许故障生产流水线状态量， 为测试电子元器件生产流水线运行状态中额定承受故障数据， 为测试水电子元器件生产流水线最小故障数据，则误差公式记作为：公式（9）中：

    (9)

公式(9)中， 为电子元器件生产流水线运行过程中，所采集到的电子元器件数据信息总信号波动， 为模拟电子元器件生产流水线运行状态数据中，生产流水线运行状态数据信息受外界数据信息的影响量，为电子元器件生产流水线运行状态中不同数据信息在传递过程中的波动信号间隔时间，为电子元器件生产流水线运行过程中，输入参数模拟故障生产流水线运行状态的时间常数， 为电子元器件生产流水线数据信息输出过程中，理想值与存在外界干扰情况下之间的差值。

6.根据权利要求1所述的一种电子元器件生产流水线故障信息识别方法，其特征在于：模板匹配法包括分类器，所述分类器为在决策树内加入搜索引擎的分类器，以提高分类能力的模板匹配方法。