[发明专利]融合CMA-ES算法及贯序极限学习机的贴片后异常检测方法

说明书

本发明公开了一种融合CMA‑ES算法及贯序极限学习机的贴片后异常检测方法，包括：1由正常焊接PCB数据库得到样本训练集；2对训练集进行图像增强，得到增强后的训练集；3由Haar变换提取训练集特征4以单隐层前馈神经网络构建贯序极限学习机模型；5完成模型的初始化训练；6利用CMA‑ES算法得到贯序极限学习机的最优参数；7设计基于贯序极限学习机模型进行贴片后异常检测算法；8进行贯序极限学习机模型在线训练；9利用该模型检测是否发生贴片异常。本发明能有效检测贴片后的异常，具有较好的精准度与实时性，且不需要增加额外辅助信息，适用于SMT贴片后的异常检测，可广泛应用于SMT生产流水线，具有广阔的应用前景。

技术领域

本发明属于计算机视觉技术领域，具体的说是一种融合CMA-ES算法及贯序极限学习机的贴片后异常检测方法。

背景技术

随着半导体行业的发展，以PCB电路为基础的嵌入式系统得到愈加广泛的应用，能够确保整个嵌入式系统正常工作的贴片后异常检测方法，具有重大的研究价值；贴片后异常检测方法的目的是在PCB完成生产之前检测是否有发生漏贴、飞料、歪斜等现象；

贴片后异常检测的主要思想是对于贴片后的电路板实现实时的检测进而了解其贴片情况，现有的以视觉方案实现该技术主要分为两个模块：特征向量获取和分类器设计应用于贴片后异常检测的特征主要有：①Haar_like特征②HOG特征，常用的分类学习方法有Adaboost集成学习、深度卷积神经网络(Convolutional Neural Networks,CNN)这些手动设计的浅层特征，具有针对性，同时也存在局限性和鲁棒性低的缺点。其往往泛化能力较弱，模型一旦成型便无法修改、优化，同时计算速度较慢，且随着网络的层层递进，一些显著的特征会丢失。对于精度和检测速度方面均有较高要求的贴片异常检测系统中，有着较为明显的弊端。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种融合CMA-ES算法及贯序极限学习机的贴片后异常检测方法，以期能通过强化学习的方法来完成SMT贴片后异常的检测，从而使得检测结果更加准确，检测效率更高。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种融合CMA-ES算法及贯序极限学习机的贴片后异常检测方法的特点是按如下步骤进行：

步骤1、由正常焊接PCB数据库得到N个正常焊接PCB的灰度直方图并构成样本训练集；

步骤2、对所述训练集进行图像增强处理，得到增强后的训练集；

步骤2.1、将所述训练集中的N个灰度直方图转换为均匀分布图；

步骤2.2、利用灰度拉伸算法对所述均匀分布图中每个像素的灰度值进行修改，得到增强后的训练集；

步骤3、利用Haar变换对增强后的训练集进行特征提取，得到所述训练集中图像白色区域与黑色区域的像素和之差，并作为训练集的特征向量；

步骤4、构建单隐层前馈神经网络，并用于初始化贯序极限学习机模型；

步骤4.1、以Sigmoid函数作为隐层激活函数；

步骤4.2、随机生成输入权重{W_i|i＝1,2,…,L}和隐层偏置{b_i|i＝1,2,…,L}，从而确定输入与输出的关系；其中，W_i表示第i个输入权重，b_i表示第i个隐层偏置；

步骤5、对贯序极限学习机模型进行初始化训练；

根据所述训练集的特征向量，构建初始神经元矩阵H及输出向量T，求解两者的最小二乘解，得到模型参数{β_i|i＝1,2,…,L}，β_i表示第i个模型参数，L表示模型参数的总数，从而完成模型的初始化训练；