·270· 智能系统学报 第14卷 习率为0.01，权重衰减因子为0.0005，学习率更新 3种模型性能详细对比如表3所示，识别时 策略为默认方法。总的训练次数为7200次，即 间最快的是8层深度卷积网络，低至0.203秒/张 训练周期约为240个(epoch)。 (256×256像素/C0REI5),识别准确率最高的是 4.3实验结果分析 16层4-Inception网络，识别准确率达95%，残差 3种模型的训练结果分别如图10~11所示，可 网络性能折中。 以看出，由于贴片电阻位置的随机性，识别准确 表33种模型识别时间及准确率对比 Table 3 Comparison of 3 model identification times and 率最高的为l6层4-Inception网络，识别准确率达 accuracy 到95%，这说明层数更深的4-Inception网络更加 测试图片 8层深度 16层4- 16层4- 擅长处理复杂情况下的图像识别，特征解耦更 大小平台 卷积网络Inception网络ResNet网络 好，更适合贴片电阻识别分类任务。残差网络是 256像素×256像 收敛最快的网络结构，但其测试损失波动非常大 0.203秒/张0.556秒/张0.337秒/张 素/COREI5 并在迭代2500次后趋于平稳，继续训练则是过 总识别准确率% 90.63 ap 93.75 拟合训练，因此实验时训练迭代次数未到7200 次则将其停止。 3种模型的泛化识别错误率分布如图12~13 所示，可以看出，标签1~13主要属于缺陷类别识 5.0 别，是识别错误率的主要来源。标签14~29主要 训练损失 测试损失 识别正反面、方向和种类，3种模型均取得了非常 5 测试准确率 3.0 理想的识别效果。图13(a)中的16层4-Incep- tion模型，其仅在缺陷识别上存在一定的错误率， 1.5 在种类、正反面和方向识别上取得了100%的识 1 0.90625 别准确率。 05 ×10 综上所述，当贴片电阻在图像中位置随机时， 345 67 8 迭代次数 基于AlexNet思想“瘦身”后的8层深度卷积神经 网络识别时间最短，l6层4-Inception网络准确性 图10贴片电阻位置随机8层深度卷积模型训练结果 更加突出，进一步提高识别准确率可适当增加缺 Fig.10 Chip resistor position random 8-layer depth convolution model training results 陷样本的数量。 50 2.5 4.5 训练损失 4.0 测试损失 2.0 测试准确率 1.5 25 1.5 0,95 0.5 0.5 2 4.5 x10 6 7 8 0 10 20 迭代次数 29种类别贴片电阻标签编号 (a)贴片电阻位置随机l6层4-Inception网络 图128层深度卷积网络总识别错误率分布 5.0 Fig.12 Total error rate distribution of 8-layer deep 训练损失 0 convolutional networks 3.5 测试损失 2.5 3 测试准确率 2.5 2.0 0.9375 1.5 1.0 5*10 1.0 0 4 迭代次数 05 (b)贴片电阻位置随机16层4-ResNet网络 0 10 152025 图11网络训练结果 29种类别贴片电阻标签编号 Fig.11 Network training results (a)l6层深度4-Inception网络习率为 0.01，权重衰减因子为 0.000 5，学习率更新 策略为默认方法。总的训练次数为 7 200 次，即 训练周期约为 240 个 (epoch)。 4.3 实验结果分析 3 种模型的训练结果分别如图 10~11 所示，可 以看出，由于贴片电阻位置的随机性，识别准确 率最高的为 16 层 4-Inception 网络，识别准确率达 到 95%，这说明层数更深的 4-Inception 网络更加 擅长处理复杂情况下的图像识别，特征解耦更 好，更适合贴片电阻识别分类任务。残差网络是 收敛最快的网络结构，但其测试损失波动非常大 并在迭代 2 500 次后趋于平稳，继续训练则是过 拟合训练，因此实验时训练迭代次数未到 7 200 次则将其停止。 0 1 2 3 4 5 6 7 8 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 0.906 25 迭代次数 损失值、准确率 训练损失 测试损失 测试准确率 ×103 图 10 贴片电阻位置随机 8 层深度卷积模型训练结果 Fig. 10 Chip resistor position random 8-layer depth convolution model training results 3 种模型性能详细对比如表 3 所示，识别时 间最快的是 8 层深度卷积网络，低至 0.203 秒/张 (256×256 像素/COREI5)，识别准确率最高的是 16 层 4-Inception 网络，识别准确率达 95%，残差 网络性能折中。 3 种模型的泛化识别错误率分布如图 12~13 所示，可以看出，标签 1~13 主要属于缺陷类别识 别，是识别错误率的主要来源。标签 14~29 主要 识别正反面、方向和种类，3 种模型均取得了非常 理想的识别效果。图 13(a) 中的 16 层 4-Incep￾tion 模型，其仅在缺陷识别上存在一定的错误率， 在种类、正反面和方向识别上取得了 100% 的识 别准确率。 综上所述，当贴片电阻在图像中位置随机时， 基于 AlexNet 思想“瘦身”后的 8 层深度卷积神经 网络识别时间最短，16 层 4-Inception 网络准确性 更加突出，进一步提高识别准确率可适当增加缺 陷样本的数量。 0 5 10 15 20 25 30 0.5 1.0 1.5 2.0 2.5 29 种类别贴片电阻标签编号 总识别错误率分布 (e/T)/% 图 12 8 层深度卷积网络总识别错误率分布 Fig. 12 Total error rate distribution of 8-layer deep convolutional networks 表 3 3 种模型识别时间及准确率对比 Table 3 Comparison of 3 model identification times and accuracy 测试图片 大小/平台 8 层深度 卷积网络 16 层 4- Inception 网络 16 层 4- ResNet 网络 256 像素×256 像 素/COREI5 0.203 秒/张 0.556 秒/张 0.337 秒/张 总识别准确率/% 90.63 95 93.75 0 1 2 3 4 5 6 8 7 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 迭代次数 损失值、准确率 训练损失 测试损失 测试准确率 0.95 ×103 ×103 0 1 2 3 4 5 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 迭代次数 损失值、准确率 训练损失 测试损失 测试准确率 0.937 5 (a) 贴片电阻位置随机 16 层 4-Inception 网络 (b) 贴片电阻位置随机 16 层 4-ResNet 网络 图 11 网络训练结果 Fig. 11 Network training results 0 5 10 15 20 25 30 0.5 1.0 1.5 2.0 2.5 29 种类别贴片电阻标签编号 总识别错误率分布 (e/T)/% (a) 16 层深度 4-Inception 网络 ·270· 智 能 系 统 学 报 第 14 卷