外观缺陷分类技术是压敏电阻质量检测的关键技术之一,能极大地提高产品质检的效率和精度。为了更加准确的识别压敏电阻主体和针脚的外观缺陷,本文提出了一种基于深度卷积神经网络(Convolutional Neural Networks,CNN)的外观缺陷分类方法。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分类,围绕这个主题,提出了一种基于卷积神经网络的压敏电阻外观缺陷检测方法。该方法主要包括以下工作:首先根据压敏电阻的外观特征,基于AlexNet改进得到一种对压敏电阻外观细微缺陷敏感的卷积神经网络模型(命名为CNN4VDR)。该模型在AlexNet网络的基础上,结合全局平均池化(Global Average Pooling,GAP)层,用一个新的卷积层和一个全局平均池化层替代了原有的的3个全连接层,构造出一个具有6个卷积层、3个池化层和1个全局平均池化层的CNN4VDR模型。同时为了防止过拟合,提高训练的效率,对整个网络在结构上做正则化。然后,对采集的压敏电阻图像样本进行预处理和分割,制作压敏电阻外观缺陷六分类数据集;将这些具有类别标签的图像数据集输入到提出的CNN4VDR网络中进行训练,在此过程当中对网络各个参数不断的进行微调,直至得到一种高准确率的压敏电阻外观缺陷分类模型;最后,在测试阶段使用了数据集中1300张测试样本对训练得到的分类模型进行测试,同时在AlexNet网络下以同样的参数和数据集进行分类实验,将两者的实验结果进行对比,验证了改本文提出的模型的有效性。本文使用了平均精度均值(Mean Average Precision,mAP)对所提出的模型进行压敏电阻外观缺陷分类性能评估。在CNN4VDR模型下对压敏电阻外观缺陷六分类的mAP能到达到97.58%,相比AlexNet模型取得了更好的结果,平均检测一个样本的时间约为17ms。实验证明,基于提出的CNN4VDR模型能高效地、准确地识别压敏电阻的主体和针脚的多种外观缺陷。