压敏电阻的外观质量影响着它的性能,为了保证制造出来的产品能够正常的工作,在制造的过程中有必要对其进行外观缺陷检测。压敏电阻外观缺陷检测是提高压敏电阻生产质量的重要措施。因此,为了提高压敏电阻外观质量检测的准确度和效率,研究一种自动或半自动的外观质量检测方法就变得极为必要了。本文的主要研究内容为基于卷积神经网络的压敏电阻外观缺陷检测。围绕这个主题,主要做了以下工作:(1)设计压敏电阻图像采集装置,采集训练卷积神经网络模型所需要的实验样本图像。为了全面检测压敏电阻表面,获取到更详细的外观特征,使用带同轴光源的图像采集装置采集压敏电阻的正面、反面和侧面3个角度的图像,最终总共采集了两种型号压敏电阻的2040个实验样本。(2)基于卷积神经网络的压敏电阻外观缺陷检测方法研究。首先,准备数据集。把采集到的样本添加类别标签,并且将添加标签的目标数据集按照7:2:1的比例随机选择分别制作成训练集、测试集和验证集,为后续的处理、分类提供数据支撑。然后,基于Caffe平台下的实验,包括建立改进的基于预训练VGG-16的网络模型、训练和测试三个阶段。其中,这部分的实验又分为将两种不同型号的压敏电阻一起训练和分开训练两种。在网络模型设计阶段,根据压敏电阻的外观特征以及采集到的样本图像,选取合适的网络模型,与VGG-16提高了检测速度;在训练阶段,利用准备好的训练集和验证集进行网络训练,在此过程中对网络进行微调,通过减少特征提取的卷积层数,调试参数,最终得到包括5个卷积层、5个池化层和3个卷积层的模型结构,其中在第一层池化层后加入局部响应归一化层。在保证识别精度的前提下,提高了检测速度(与VGG-16相比)。在测试阶段,使用了两种型号共408个测试样本对训练后的网络进行测试。(3)最后本文使用敏感度、特异度和准确率等评估指标来评估模型的性能。在传统的将两种型号样本一起训练的情况下,使用VGG-16、AlexNet和VGG-8等模型能够较准确的检测出有缺陷的压敏电阻,其中在VGG-8模型的情况下平均准确率达到了95%,但是敏感度和特异度不超过91%。为了进一步提高敏感度和特异度,提出了分类型训练两个分类器的训练策略。在分类训练情况下两种型号的压敏电阻分开进行实验,使用本文提出的VGG-8-LRN模型检测的效果优于传统训练方法,各个评估指标明显都有不同程度的提高,识别准确率高达99%。实验结果表明,在分类训练情况下提出的VGG-8-LRN模型鲁棒性强,对压敏电阻缺陷检测识别准确率高,速度快。