卷积神经网络的贴片电阻识别应用
贴片电阻由于其体积微小、性能稳定等独特的性质,在当今智能化的电子设备中被广泛使用.为保证贴片电阻的出厂质量,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,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.本文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方面所取得的巨大成就,基于AlexNet模型、GoogLeNet模型、ResNet模型思想设计了3种深度适宜、可训练参数约4×106(百万)的卷积神经网络,克服了当前主流卷积神经网络模型由于可训练参数过多、模型层数太深导致在贴片电阻识别应用中识别速度不能满足实时性要求、泛化识别准确率低的问题.实验表明,3种模型的识别准确率均超过90%,最高识别准确率达到95%,识别速度达到0.203 s/张(256像素×256像素,CORE I5).因此,本文设计的3种卷积神经网络可根据具体实际需求进行选用,在实践中具有极强的可行性和可推广性,同时也在提升企业生产效率和产品质量方面具有重要意义.
贴片电阻识别、卷积神经网络、AlexNet模型、GoogLeNet模型、ResNet模型
14
TP391(计算技术、计算机技术)
四川省科技支撑计划项目2016GZ0107;四川省教育厅重点项目16ZA0065;南充市重点科技项目NC17SY4001
2019-04-29(万方平台首次上网日期,不代表论文的发表时间)
共10页
263-272