[發明專利]融合CMA-ES算法及貫序極限學習機的貼片后異常檢測方法

有效

• 申請號: 202110494529.3
• 申請日: 2021-05-07
• 公開（公告）號: CN113177563B
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 崔欣;楊婷婷;雷世怡;吳雨豪;林子越;趙浩冰;周子云;金兢;夏娜
• 申請（專利權）人: 安徽帥爾信息科技有限公司
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種融合CMA-ES算法及貫序極限學習機的貼片后異常檢測方法，其特征是按如下步驟進行：

步驟1、由正常焊接PCB數據庫得到N個正常焊接PCB的灰度直方圖并構成樣本訓練集；

步驟2、對所述訓練集進行圖像增強處理，得到增強后的訓練集；

步驟2.1、將所述訓練集中的N個灰度直方圖轉換為均勻分布圖；

步驟2.2、利用灰度拉伸算法對所述均勻分布圖中每個像素的灰度值進行修改，得到增強后的訓練集；

步驟3、利用Haar變換對增強后的訓練集進行特征提取，得到所述訓練集中圖像白色區域與黑色區域的像素和之差，并作為訓練集的特征向量；

步驟4、構建單隱層前饋神經網絡，并用于初始化貫序極限學習機模型；

步驟4.1、以Sigmoid函數作為隱層激活函數；

步驟4.2、隨機生成輸入權重{W_i|i＝1,2,…,L}和隱層偏置{b_i|i＝1,2,…,L}，從而確定輸入與輸出的關系；其中，W_i表示第i個輸入權重，b_i表示第i個隱層偏置；

步驟5、對貫序極限學習機模型進行初始化訓練；

根據所述訓練集的特征向量，構建初始神經元矩陣H及輸出向量T，求解兩者的最小二乘解，得到模型參數{β_i|i＝1,2,…,L}，β_i表示第i個模型參數，L表示模型參數的總數，從而完成模型的初始化訓練；

步驟6、利用CMA-ES算法，對初始化的貫序極限學習機模型進行迭代優化，從而得到貫序極限學習機模型的最優參數；

步驟6.1、設置最少迭代次數為η，定義當前迭代次數為g并初始化g＝1；

利用步驟5得到的初始化貫序極限學習機模型的輸入權重{W_i|i＝1,2,…,L}和隱層偏置{b_i|i＝1,2,…,L}組成第g代種群；

以所述模型參數{β_i|i＝1,2,…,L}作為第g代種群對應的模型參數其中，表示第g代種群第i個個體對應的模型參數，并以所述初始神經元矩陣H作為第g代作為神經元矩陣H^(g)；

步驟6.2、利用式(1)計算第g代種群中第i個個體的適應度從而得到第g代種群每個個體的適應度，并按照適應度由高到低對每個個體進行排名：

式(1)中，是平均輸出向量；是由第g代種群中第i個個體對應的模型參數計算出的預測特征向量；

步驟6.3、利用式(2)對第g代種群進行迭代及突變，從而得到第g+1代種群的第i個個體從而構成第g+1代種群，以更新第g代神經元矩陣H^(g)，并得到第g+1代神經元矩陣H^(g+1)：

式(2)中，m^(g)是第g代種群中個體適應度排名前μ個個體的均值向量，N_i(0,C^(g))是第g代種群中第i個個體所服從的高斯分布函數；ε^(g)為第g代種群進化的步長，當g＝1時，初始化ε^(g)＝1；C^(g)是第g代種群的協方差矩陣；

步驟6.4、計算第g+1代種群的均值向量m^(g+1)、種群進化步長ε^(g+1)、模型參數

步驟6.4.1、利用式(3)得到第g+1代種群的均值向量m^(g+1)：

式(3)中，ω_n是適應度排名前μ個個體中第n個個體的優化權重，且是第g代種群中μ個個體中第n個個體；

步驟6.4.2、利用式(4)得到第g+1代種群進化的步長ε^(g+1)：

式(4)中，c^(g)為步長ε^(g)的更新參量；

步驟6.4.3、根據第g+1代神經元矩陣H^(g+1)，按照步驟5的過程得到第g+1代種群對應的模型參數

步驟6.5、利用式(5)得到收斂判據S，若連續λ次出現S＜θ，則停止迭代并得到最優參數的貫序極限學習機模型，同時輸出所述最優參數，包括：最優輸入權重{W_i^*|i＝1,2,…,L}、最優隱層偏置及其對應的最優模型參數其中，W_i^*表示第i個最優輸入權重，表示第i個最優隱層偏置，表示第i個最優模型參數，否則返回步驟6.2，θ為收斂界：

式(5)中，是第g-1代種群中第i個個體的適應度，當g＝1時，初始化

步驟7、貼片后的異常檢測：

步驟7.1、利用式(6)得到所述訓練集的特征向量的平均值σ：

式(6)中，c為訓練集中特征向量的總數，X_j為輸入的第j個特征向量；

步驟7.2、定義當前時刻為t，并初始化t＝0；

將最優模型參數作為當前t時刻的模型參數表示當前t時刻的第i個模型參數；

利用式(7)得到t+1時刻的模型輸出的預測特征向量

式(7)中，表示隱層激活函數；

步驟7.3、根據所述預測特征向量利用式(8)求得t+1時刻的預測方差

式(8)中，為t時刻的預測方差；當t＝0時，令

步驟7.4、利用式(8)得到檢測閾值ω：

式(9)中，T_t+1表示t+1時刻的實際特征向量；

步驟7.5、利用式(10)計算t+1時刻的預測距差φ_t+1：

如果φ_t+1＞ω，則表示t+1時刻貼片發生異常，否則表示t+1時刻貼片正常；

步驟8、實時獲取焊接PCB的貼片數據并按照步驟1-步驟3進處理，得到焊接PCB的貼片特征向量；將焊接PCB的貼片特征向量依次輸入所述最優參數的貫序極限學習機模型中進行在線訓練，以更新所述最優參數，從而得到強適應性的貫序極限學習機模型；

步驟9、采用多尺度滑動窗口對需要進行貼片檢測的區域進行掃描，并對每個滑動窗口所在區域中的測試圖像按照步驟1-步驟3進行處理，得到待檢測的特征向量；

步驟10、將待檢測的特征向量輸入強適應性的貫序極限學習機模型中進行異常檢測，從而得到所有發生貼片異常的窗口所在區域；

步驟11、對所有發生貼片異常的窗口區域進行篩選，從而得到所述測試圖像中的貼片異常所在位置。