摘要：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4×10~6(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。

摘要：目的设计贴片电阻方向检测系统,以解决当前贴片电阻排序编带过程中存在的检测效率低和检测精度低等问题。方法采用改进的基于形状的模板匹配算法,以机器视觉软件Halcon为平台,利用Canny边缘检测算子和Sobel算子进行边缘检测和滤波,生成模板图像的边缘点位置向量和梯度向量,并以模板边缘点与图像搜索区域的对应点的内积和作为相似度量,进行模板匹配。结果检测系统的识别时间为33 ms,同时其平均识别准确率达99.5%以上,相比于传统人工检测有较大提高。结论该系统具有良好的速度和准确度,可满足工业生产要求。