第2期 湛贵辉，等：卷积神经网络的贴片电阻识别应用 ·265· .20 (e)反面腐蚀缺陷 (①对应(e)的反面正常 (g)正面字迹不清 h)对应(g)的正面正常 图1一种典型电阻型号需识别种类数 Fig.1 A typical resistance type is required to identify the number of categories 2卷积神经网络相关数学理论 300240121331 5R17R 242 272 当前主流的3种用于模式识别的卷积神经网络 模型一AlexNet模型1、GoogLeNet模型16i列 图2需要识别的不同型号的贴片电阻示意 ResNet模型u.,分别在2012年、2014年、2015 Fig.2 Different types of chip resistors that need to be 年的ILSVRC竞赛中取得第一名的成绩，其模型 identified 架构思想可以用图4进行概括，图中卷积层实现 因此，为了覆盖上述识别的所有情况，通过在 特征提取，全连接层实现特征分类。 实际工厂中拍摄大量的贴片电阻图片，再经过人 2.1卷积层模型 工严格筛选和预处理算法处理之后，本文制作出 卷积神经网络模型首先由LeCun所提出，其 了包含29种类别的贴片电阻数据样本集。类别 卷积过程类似于对图像抽取特征的各种算子，如 标签1~13主要是电阻缺陷识别，14~29主要是方 Sobel算子、Laplace算子。算子的卷积过程： 向、正反面以及种类识别，总的贴片电阻样本数 量为1044张，每一类别包含36张样本，经过预 O(m.n)=I(m.n)*H(m.n)= 处理算法处理之后的图片，每张图片被剪切为320× 320像素大小，贴片电阻居于图像正中位置，贴片 岁艺1i,Hm-in-= m=0n=0 (1) 电阻以外其余的像素点全部被置零为黑色背景， 即清除了贴片电阻图像背景特征。在后续的实验 分为m-i-7h6D 中，每一类别均随机选取5张电阻图片用于准确 00 率测试，其余的贴片电阻均作为训练样本，详细数据 式中：I表示输入灰度图像；H表示图像操作算子； 集及标签类别对应情况如图3和表1所示，图3 M、N和I、J表示卷积核大小，其操作过程为一固 中相邻两张图片为一个类别，以阅读的顺序与表1 定大小的卷积核在图像像素点上进行了一次动态 中的标签依次对应（如图3中第一行前两张图片 扫描。但卷积神经网络的卷积过程有其自己独有 对应标签为1，所属类别为50型号反面弹珠缺陷)。 的特点，引入了通道的概念，则式(1)变为 O(m,m)=产(m,n）⑧H(m,m)= ∑∑∑r产m+in+D, (2) k=0=00 式中：k表示输入通道；1表示输出通道。卷积神经 网络在进行逐层特征抽取的过程中，每个通道仍 然按照二维卷积方式计算，输入的多个通道与多 个卷积核分别进行二维卷积，得到多通道输出， 需要“合并”为一个通道，则每层总的卷积核个数 为k!个。通过卷积的方式，卷积层在输出特征图 维度实现了权值共享，相比全连接的方式，不仅 极大减少了训练参数，而且二维卷积核的卷积过 图3预处理后的29种贴片电阻图片样例 Fig.3 Samples of 29 kinds of chip resistors after preprocessing 程也符合图像的结构特征。因此，为了覆盖上述识别的所有情况，通过在 实际工厂中拍摄大量的贴片电阻图片，再经过人 工严格筛选和预处理算法处理之后，本文制作出 了包含 29 种类别的贴片电阻数据样本集。类别 标签 1~13 主要是电阻缺陷识别，14~29 主要是方 向、正反面以及种类识别，总的贴片电阻样本数 量为 1 044 张，每一类别包含 36 张样本，经过预 处理算法处理之后的图片，每张图片被剪切为 320× 320 像素大小，贴片电阻居于图像正中位置，贴片 电阻以外其余的像素点全部被置零为黑色背景， 即清除了贴片电阻图像背景特征。在后续的实验 中，每一类别均随机选取 5 张电阻图片用于准确 率测试，其余的贴片电阻均作为训练样本，详细数据 集及标签类别对应情况如图 3 和表 1 所示，图 3 中相邻两张图片为一个类别，以阅读的顺序与表 1 中的标签依次对应 (如图 3 中第一行前两张图片 对应标签为 1，所属类别为 50 型号反面弹珠缺陷)。 2 卷积神经网络相关数学理论 当前主流的 3 种用于模式识别的卷积神经网络 模型——AlexNet 模型[15] 、GoogLeNet 模型[16-17] 、 ResNet 模型[18-19] ，分别在 2012 年、2014 年、2015 年的 ILSVRC 竞赛中取得第一名的成绩，其模型 架构思想可以用图 4 进行概括，图中卷积层实现 特征提取，全连接层实现特征分类。 2.1 卷积层模型 卷积神经网络模型首先由 LeCun 所提出，其 卷积过程类似于对图像抽取特征的各种算子，如 Sobel 算子、Laplace 算子。算子的卷积过程： O(m,n)=I(m,n) ∗ H(m,n)= ∑M−1 m=0 ∑N−1 n=0 I(i, j)H(m−i,n− j)= ∑I−1 i=0 ∑J−1 j=0 I(m−i,n− j)H(i, j) (1) 式中：I 表示输入灰度图像； H 表示图像操作算子； M、N 和 I、J 表示卷积核大小，其操作过程为一固 定大小的卷积核在图像像素点上进行了一次动态 扫描。但卷积神经网络的卷积过程有其自己独有 的特点，引入了通道的概念，则式 (1) 变为 O l (m,n) = I k (m,n)⊗ H kl(m,n) = ∑K−1 k=0 ∑I−1 i=0 ∑J−1 j=0 I k (m+i,n+ j)H kl(i, j) (2) k l kl 式中： 表示输入通道； 表示输出通道。卷积神经 网络在进行逐层特征抽取的过程中，每个通道仍 然按照二维卷积方式计算，输入的多个通道与多 个卷积核分别进行二维卷积，得到多通道输出， 需要“合并”为一个通道，则每层总的卷积核个数 为 个。通过卷积的方式，卷积层在输出特征图 维度实现了权值共享，相比全连接的方式，不仅 极大减少了训练参数，而且二维卷积核的卷积过 程也符合图像的结构特征。 (e) 反面腐蚀缺陷 (f) 对应(e)的反面正常 (g) 正面字迹不清 (h) 对应(g)的正面正常 图 1 一种典型电阻型号需识别种类数 Fig. 1 A typical resistance type is required to identify the number of categories 图 2 需要识别的不同型号的贴片电阻示意 Fig. 2 Different types of chip resistors that need to be identified 图 3 预处理后的 29 种贴片电阻图片样例 Fig. 3 Samples of 29 kinds of chip resistors after preprocessing 第 2 期 谌贵辉，等：卷积神经网络的贴片电阻识别应用 ·265·