印刷电路板(Printed Circuit Board，PCB)将各种电子元器件按照一定的规则连接在一起，从而实现特定的功能。PCB是所有电子产品必不可少的基础部件。而色环电阻是PCB中最常用的电子元器件之一，安装时主要依靠色环的排列顺序和颜色等视觉信息进行区分，易发生装配错误。这将导致PCB残次品率升高，因此需要对色环电阻的装配质量进行检测。但是人工检测PCB板中色环电阻装配质量的方法效率低、误检率高，而传统的基于图像处理技术的色环电阻的自动检测方法鲁棒性较差，难以解决不同拍摄角度、物距及光照条件下的PCB板中色环电阻检测以及色环电阻及其色环的定位问题，导致难以对色环电阻进行自动识别与阻值测量。
　　针对上述问题，本文提出了一种基于卷积神经网络的PCB板中色环电阻的图像识别与测量方法，并以不同的复杂场景下的彩色PCB图像为研究对象，对本文方法进行实验验证，具有较高的理论价值和实际意义。本文的主要内容和创新点包括：
　　(1)建立了不同场景下彩色PCB图像数据集。数据集中PCB图像的拍摄角度、光照条件及物距均存在较大差异，板中元器件的类别及布局形式多样，色环电阻的种类与数量也存在较大差异。数据集较为完备，为算法研究和实验奠定了基础。
　　(2)根据PCB图像的特点，本文采用了编码器-解码器结构的卷积神经网络对图像中的色环电阻进行检测与分割。针对训练数据中存在不均衡可能导致训练过程中网络模型偏向数量较多的种类的问题，在网络模型中引入了种类的惩罚与补偿，使用带有权重的交叉熵损失函数训练网络；通过分析网络参数对分割精度的影响，确定最优的网络模型。将本文方法及传统的基于形态学和基于模板匹配的方法进行实验测试对比，结果表明，本文方法能较好地解决不同拍摄角度、光照条件、PCB元器件布局等情况下的色环电阻检测与分割问题，对色环电阻的数目及排列方式均无特殊限制，具有更好的鲁棒性，检测正确率明显优于上述两种传统方法，单幅PCB图像的平均检测时间约为0.0875s，处理速度快，能够满足实际应用要求。
　　(3)利用卷积神经网络获得色环电阻分割图像后，本文采用基于最小面积的外接矩形算法获取色环电阻的矩形轮廓，并通过仿射变换进行垂直校正，然后采用高斯模板匹配的方法对垂直校正后的色环电阻进行色环定位。最后，采用309个待测色环进行实验验证，与基于Ostu的方法相比，本文方法的色环定位准确率更高，达到97.7%。
　　(4)由于光照原因，PCB图像中色环电阻的色环颜色与国际标准颜色存在差异，难以通过各颜色的HSV分量范围对色环颜色进行判别并确定电阻的阻值。因此，本文采用基于RGB通道信息的KNN分类器，以色环R、G、B三通道灰度值的欧式距离为特征距离，对色环颜色进行判别；然后根据本文归纳的阻值计算公式得出色环电阻的阻值，最终实现了PCB板中色环电阻的识别与测量。采用106个色环电阻(共包含472个色环)进行实验验证，结果表明，该方法的色环颜色判别准确率为96.6%，色环电阻阻值测量准确率为87.7%，结果良好。