[發(fā)明專利]融合CMA-ES算法及貫序極限學(xué)習(xí)機(jī)的貼片后異常檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110494529.3
• 申請(qǐng)日: 2021-05-07
• 公開(kāi)（公告）號(hào): CN113177563B
• 公開(kāi)（公告）日: 2022-10-14
• 發(fā)明（設(shè)計(jì)）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(qǐng)（專利權(quán)）人: 安徽帥爾信息科技有限公司
• 主分類(lèi)號(hào): G06V10/44
• 分類(lèi)號(hào): 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(zé)任公司 34101
• 代理人: 陸麗莉;何梅生

本發(fā)明公開(kāi)了一種融合CMA?ES算法及貫序極限學(xué)習(xí)機(jī)的貼片后異常檢測(cè)方法，包括：1由正常焊接PCB數(shù)據(jù)庫(kù)得到樣本訓(xùn)練集；2對(duì)訓(xùn)練集進(jìn)行圖像增強(qiáng)，得到增強(qiáng)后的訓(xùn)練集；3由Haar變換提取訓(xùn)練集特征4以單隱層前饋神經(jīng)網(wǎng)絡(luò)構(gòu)建貫序極限學(xué)習(xí)機(jī)模型；5完成模型的初始化訓(xùn)練；6利用CMA?ES算法得到貫序極限學(xué)習(xí)機(jī)的最優(yōu)參數(shù)；7設(shè)計(jì)基于貫序極限學(xué)習(xí)機(jī)模型進(jìn)行貼片后異常檢測(cè)算法；8進(jìn)行貫序極限學(xué)習(xí)機(jī)模型在線訓(xùn)練；9利用該模型檢測(cè)是否發(fā)生貼片異常。本發(fā)明能有效檢測(cè)貼片后的異常，具有較好的精準(zhǔn)度與實(shí)時(shí)性，且不需要增加額外輔助信息，適用于SMT貼片后的異常檢測(cè)，可廣泛應(yīng)用于SMT生產(chǎn)流水線，具有廣闊的應(yīng)用前景。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，具體的說(shuō)是一種融合CMA-ES算法及貫序極限學(xué)習(xí)機(jī)的貼片后異常檢測(cè)方法。

背景技術(shù)

隨著半導(dǎo)體行業(yè)的發(fā)展，以PCB電路為基礎(chǔ)的嵌入式系統(tǒng)得到愈加廣泛的應(yīng)用，能夠確保整個(gè)嵌入式系統(tǒng)正常工作的貼片后異常檢測(cè)方法，具有重大的研究?jī)r(jià)值；貼片后異常檢測(cè)方法的目的是在PCB完成生產(chǎn)之前檢測(cè)是否有發(fā)生漏貼、飛料、歪斜等現(xiàn)象；

貼片后異常檢測(cè)的主要思想是對(duì)于貼片后的電路板實(shí)現(xiàn)實(shí)時(shí)的檢測(cè)進(jìn)而了解其貼片情況，現(xiàn)有的以視覺(jué)方案實(shí)現(xiàn)該技術(shù)主要分為兩個(gè)模塊：特征向量獲取和分類(lèi)器設(shè)計(jì)應(yīng)用于貼片后異常檢測(cè)的特征主要有：①Haar_like特征②HOG特征，常用的分類(lèi)學(xué)習(xí)方法有Adaboost集成學(xué)習(xí)、深度卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)這些手動(dòng)設(shè)計(jì)的淺層特征，具有針對(duì)性，同時(shí)也存在局限性和魯棒性低的缺點(diǎn)。其往往泛化能力較弱，模型一旦成型便無(wú)法修改、優(yōu)化，同時(shí)計(jì)算速度較慢，且隨著網(wǎng)絡(luò)的層層遞進(jìn)，一些顯著的特征會(huì)丟失。對(duì)于精度和檢測(cè)速度方面均有較高要求的貼片異常檢測(cè)系統(tǒng)中，有著較為明顯的弊端。

發(fā)明內(nèi)容

本發(fā)明是為了解決上述現(xiàn)有技術(shù)存在的不足之處，提出一種融合CMA-ES算法及貫序極限學(xué)習(xí)機(jī)的貼片后異常檢測(cè)方法，以期能通過(guò)強(qiáng)化學(xué)習(xí)的方法來(lái)完成SMT貼片后異常的檢測(cè)，從而使得檢測(cè)結(jié)果更加準(zhǔn)確，檢測(cè)效率更高。

本發(fā)明為達(dá)到上述發(fā)明目的，采用如下技術(shù)方案：

本發(fā)明一種融合CMA-ES算法及貫序極限學(xué)習(xí)機(jī)的貼片后異常檢測(cè)方法的特點(diǎn)是按如下步驟進(jìn)行：

步驟1、由正常焊接PCB數(shù)據(jù)庫(kù)得到N個(gè)正常焊接PCB的灰度直方圖并構(gòu)成樣本訓(xùn)練集；

步驟2、對(duì)所述訓(xùn)練集進(jìn)行圖像增強(qiáng)處理，得到增強(qiáng)后的訓(xùn)練集；

步驟2.1、將所述訓(xùn)練集中的N個(gè)灰度直方圖轉(zhuǎn)換為均勻分布圖；

步驟2.2、利用灰度拉伸算法對(duì)所述均勻分布圖中每個(gè)像素的灰度值進(jìn)行修改，得到增強(qiáng)后的訓(xùn)練集；

步驟3、利用Haar變換對(duì)增強(qiáng)后的訓(xùn)練集進(jìn)行特征提取，得到所述訓(xùn)練集中圖像白色區(qū)域與黑色區(qū)域的像素和之差，并作為訓(xùn)練集的特征向量；

步驟4、構(gòu)建單隱層前饋神經(jīng)網(wǎng)絡(luò)，并用于初始化貫序極限學(xué)習(xí)機(jī)模型；

步驟4.1、以Sigmoid函數(shù)作為隱層激活函數(shù)；

步驟4.2、隨機(jī)生成輸入權(quán)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(guān)系；其中，W_i表示第i個(gè)輸入權(quán)重，b_i表示第i個(gè)隱層偏置；

步驟5、對(duì)貫序極限學(xué)習(xí)機(jī)模型進(jìn)行初始化訓(xùn)練；

根據(jù)所述訓(xùn)練集的特征向量，構(gòu)建初始神經(jīng)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(shù){β_i|i＝1,2,…,L}，β_i表示第i個(gè)模型參數(shù)，L表示模型參數(shù)的總數(shù)，從而完成模型的初始化訓(xùn)練；