[發(fā)明專利]基于集成多目標回歸鏈的視覺印刷機糾偏位姿預測方法

有效

• 申請?zhí)枺?/td>: 202010030537.8
• 申請日: 2020-01-13
• 公開（公告）號: CN111243013B
• 公開（公告）日: 2023-06-16
• 發(fā)明（設計）人: 張憲民;吳強
• 申請（專利權(quán)）人: 華南理工大學
• 主分類號: G06T7/70
• 分類號: G06T7/70;G06T1/00;G06N20/20;H05K13/08;B41F33/16
• 代理公司: 廣州市華學知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 馮炳輝

1.基于集成多目標回歸鏈的視覺印刷機糾偏位姿預測方法，其特征在于，包括以下步驟：

1)獲取視覺印刷機糾偏過程中的歷史數(shù)據(jù)，即樣本數(shù)據(jù)；

2)對樣本數(shù)據(jù)進行預處理，切分訓練集和測試集

3)利用訓練集建立多目標回歸鏈的視覺印刷機糾偏位姿單鏈預測模型；

4)由步驟3)中的多目標回歸鏈的視覺印刷機糾偏位姿單鏈預測模型，建立集成多目標回歸鏈的視覺印刷機糾偏位姿預測模型XGB-ERC，具體如下：

4.1)生成多條隨機回歸鏈，形成多目標回歸鏈矩陣；

4.2)對每一條回歸鏈，分別建立多目標預測模型，即基模型XGBoost1、XGBoost2和XGBoost3；

4.3)對所有回歸鏈，通過計算多目標的平均值建立集成多目標回歸鏈的視覺印刷機糾偏位姿預測模型XGB-ERC；

5)根據(jù)測試集對集成多目標回歸鏈的視覺印刷機糾偏位姿預測模型進行誤差評估，具體如下：

由步驟2)中切分的測試集對步驟4)建立的集成多目標回歸鏈的視覺印刷機糾偏位姿預測模型XGB-ERC進行評估，對全自動視覺印刷機的糾偏位姿X、Y和θ進行預測，其中X為糾偏后的橫向位姿，Y為糾偏后的縱向位姿，θ為糾偏后的角度位姿，將預測的糾偏位姿和與實際糾偏位姿X、Y和θ進行誤差計算，誤差采用絕對百分比誤差MAPE、平均絕對誤差MAE和均方根誤差RSME作為評估指標，將預測的糾偏位姿和進行去歸一化，進行預測數(shù)據(jù)輸出：

式中，y_i為實際糾偏位姿值，為模型預測的糾偏位姿值，n為樣本數(shù)量；

通過對模型效果進行評估，能夠得到PCB在視覺印刷機糾偏后的位姿，從而通過視覺印刷機位姿誤差與糾偏電機輸入之間的關(guān)系，獲得輸入補償量，進一步提高視覺印刷機的精度與穩(wěn)定性。

2.根據(jù)權(quán)利要求1所述的基于集成多目標回歸鏈的視覺印刷機糾偏位姿預測方法，其特征在于：在步驟1)中，所述視覺印刷機糾偏過程中的歷史數(shù)據(jù)是指視覺印刷機糾偏過程中獲取的糾偏位姿信息數(shù)據(jù)，包括PCB進板位置信息、位姿、PCB糾偏理論的電機糾偏輸入、糾偏前位置精度、糾偏后位姿；其中，糾偏后位姿為多目標，位姿表示為PCB相對模板的位置，包括X、Y和θ，X為糾偏后的橫向位姿，Y為糾偏后的縱向位姿，θ為糾偏后的角度位姿。

3.根據(jù)權(quán)利要求1所述的基于集成多目標回歸鏈的視覺印刷機糾偏位姿預測方法，其特征在于：在步驟2)中，對樣本數(shù)據(jù)進行預處理，切分訓練集和測試集包括以下步驟：

2.1)對樣本數(shù)據(jù)進行歸一化處理，采用min-max標準化公式：

式中，其中是歸一化后的視覺印刷機糾偏工作過程中采集的樣本數(shù)據(jù)，其中max為樣本數(shù)據(jù)特征的最大值，min為樣本數(shù)據(jù)特征的最大值，為單個樣本，包括多維特征；

2.2)對歸一化后的樣本數(shù)據(jù)進行切分，切分為訓練集和測試集對訓練集再根據(jù)樣本目標數(shù)量進行切分，由于視覺印刷機糾偏位姿為3目標，包括X、Y和θ，X為糾偏后橫向的位姿、Y為糾偏后縱向的位姿、θ為糾偏后的角度位姿，因而對訓練集分成3份：和

在步驟3)中，所述多目標回歸鏈的視覺印刷機糾偏位姿單鏈預測模型以XGBoost為基學習器進行多目標預測建模，包括以下步驟：

3.1)根據(jù)單條回歸鏈確定視覺印刷機糾偏位姿的建模順序，若回歸鏈為[0,1,2]，則多目標建模順序為[X,Y,θ]，若回歸鏈為[1,2,0]，則多目標建模順序為[Y,θ,X]；

3.2)采用回歸鏈順序為[0,1,2],確定多目標建模順序為[X,Y,θ]，以XGBoost為基學習器進行建模；

3.3)根據(jù)步驟2.2)中切分的訓練集選用訓練集中樣本為輸入，橫向位姿X為目標建立基模型XGBoost1；

3.4)通過網(wǎng)格搜索方法，選擇基模型XGBoost1參數(shù)，其中包括樹模型最大深度max_depth、最小葉子節(jié)點權(quán)重min_child_weight、樹的懲罰系數(shù)gamma、樣本采樣數(shù)subsample、特征采樣數(shù)colsample_bytree、學習率eta、基學習器的個數(shù)num_boost_round，通過模型效果選取最優(yōu)的參數(shù)組合，基模型損失函數(shù)采用絕對百分比誤差MAPE；

3.5)根據(jù)步驟2.2)中切分的訓練集選用訓練集中樣本為輸入，以基模型XGBoost1預測其中為基模型XGBoost1在訓練集上關(guān)于橫向位姿X的預測值，并以和為輸入，縱向位姿Y為目標建立基模型XGBoost2，其參數(shù)調(diào)優(yōu)和損失函數(shù)與基模型XGBoost1建立過程相同；

3.6)根據(jù)步驟2.2)中切分的訓練集選用訓練集中樣本為輸入，以基模型XGBoost1預測橫向位姿其中為基模型XGBoost1在訓練集上關(guān)于橫向位姿X的預測值，并以為輸入，以基模型XGBoost2預測縱向位姿其中為基模型XGBoost2在訓練集上關(guān)于縱向位姿Y的預測值；再以和為輸入，角度位姿θ為目標建立基模型XGBoost3，其參數(shù)調(diào)優(yōu)和損失函數(shù)與基模型XGBoost1建立過程相同，能夠通過測試集獲得；

3.7)最后，根據(jù)步驟2.2)中切分的測試集作為輸入，以基模型XGBoost1預測橫向位姿其中為基模型XGBoost1在訓練集上關(guān)于橫向位姿X的預測值，并以和為輸入，以基模型XGBoost2預測縱向位姿其中為基模型XGBoost2在訓練集上關(guān)于縱向位姿Y的預測值；再以和為輸入，以基模型XGBoost3預測角度位姿在測試集上以單鏈多目標預測方法獲得視覺印刷機糾偏位姿X、Y和θ的預測值和