随着智能时代的到来,数以亿计的贴片电阻被嵌入至各种智能化的电子设备中,电子设备的质量将很大程度受到贴片电阻质量的影响。而工厂生产出来的贴片电阻,首先需要对其进行缺陷识别、极性方向识别、正反面识别和种类识别,才能保证贴片电阻的出厂质量和产品封装的一致性,进而保证各类电子设备的质量。但上述涉及的贴片电阻识别情况,目前很大程度上依靠人工肉眼进行识别检测,效率低、容易误检、成本高,因此,如何快速准确地识别贴片电阻,是一个具有重要现实价值意义的研究课题。针对传统图像识别方法的局限性,结合近年来卷积神经网络在图像识别领域所取得的成果,本文开展了基于深度卷积神经网络的贴片电阻图像识别研究,主要工作有以下几点:(1)针对原始贴片电阻图像包含大量背景信息导致卷积神经网络学习出现过拟合的问题,利用传统的图像预处理知识,设计了一种贴片电阻图像目标检测与切割的预处理算法,算法包括图像滤波增强、计算电阻几何中心、计算电阻旋转角度、切割电阻有用信息四大流程。实验结果表明该算法能够在实际生产环境中准确定位并自动切割贴片电阻图像,删减掉图像中的无关背景,成功解决了卷积神经网络学习时大量无关背景特征导致的过拟合问题。(2)系统研究了卷积神经网络相关理论,详细地介绍了神经元模型、BP反向传播算法、卷积神经网络原理的基本理论,为后续卷积神经网络模型的设计奠定了理论基础。(3)针对当前主流卷积神经网络模型在贴片电阻图像识别中由于可训练参数过多、模型层数太深导致识别速度不能满足实时性要求、泛化识别准确率低的问题,基于AlexNet模型、GoogLeNet模型、ResNet模型思想设计了三种深度适宜的卷积神经网络,将三种模型的可训练参数精简优化至4M(百万)左右,同时兼顾模型的识别准确率和识别速度,并通过系统的实验验证了设计的三种卷积神经网络模型的性能。首先,研究了每种类别贴片电阻训练样本数对识别准确率的影响,实验结果表明,每种类别贴片电阻训练样本数至少应大于10,即可取得非常理想的识别准确率,继续增加训练样本数对识别准确率的提升效果减缓。当每种类别训练样本数为31时,卷积神经网络达到最佳识别准确率95%,识别速度达到0.203s/张(256x256像素,CORE 15)。在实际生产环境中,样本量的确定需要综合考虑识别准确率和数据样本收集工作量。其次,研究了贴片电阻在图像中的位置随机、姿态方向随机对识别性能的影响,并对比了 PCA+SVM算法的识别性能,实验结果表明,设计的三种卷积模型虽然在不同实验场景中性能表现各异,但是识别准确率均超过了 93%,识别速度均达到0.5s/张,明显优于PCA+SVM算法的识别准确率86.2%和识别速度16s/张。实验表明,卷积神经网络不仅识别准确率和识别速度有较大提升,而且更能适应实际复杂生产环境。(4)使用Matlab编写了一套基于卷积神经网络的贴片电阻识别上位机软件,该软件集成了预处理算法并能够加载训练好的网络模型(.caffemodel)和网络结构(.prototxt),从而实现对所拍贴片电阻的实时识别,可作为上位机用于实际生产环境中的决策与控制。