现代检测技术1

1、现代检测技术论文题目：基于遗传算法的PCB板元件检测 学 院:信息科学与工程学院专 业:控制科学与工程班 级:研141班学 号:201404703028学生姓名:牛洪芳日 期:二一四年十二月基于遗传算法的PCB板元件检测摘 要：随着PCB板制造工艺的发展，电路板上焊接的各种器件越来越多，发生焊接错误的概率也越来越高。如果在检验过程中不能将这些问题找出来，势必在PCB板调试和应用过程中留下安全隐患。本文针对目前检测方法中的一些不足，提出了一种新的检测方法，即通过图像模板匹配法逐个检测PCB板上元器件，详细描述了PCB板元器件检测的基本原理，并使用基于FPAG硬件平台的代间差分遗传算法对图像搜索匹

2、配过程进行优化，显著降低了系统的成本以及设计复杂度，同时也为遗传算法的实对应用开辟了新的思路和方法。关键词：PCB板元件；遗传算法；FPGAThe Application of Genetic Algorithm in Detecting Printed Circuit Board ComponentsAbstract: With the development of the manufacture technology of the PCB, there are more and more apparatus that need to be sealed on the electronic

3、board, which leads to higher possibility of sealing error. If these problems cannot be found out, there will necessarily be hidden security trouble in the process of the debugging and application of the PCB. In this paper a new method of testing is proposed to be against the disadvantages of the pre

4、sent testing methods, which is to test components on the PCB one by one based on the image template matching method. The fundamental theory of the PCB components testing is described in detail, and an optimization is made to the image template matching process using the IDGA based on the FPGA platfo

5、rm, which greatly reduces the cost of the system and the complexity of the system design, at the same time a new way and method of the real time application of GA is brought out. Key Words: PCB components; genetic algorithm; FPGA引言印刷电路板的生产需要经过多道工序，在焊接元器件这道工序由于焊接元器件种类多、数量大，是最易发生疏漏的地方。尤其当需要在板上焊接较多元器件时

6、，更易发生漏焊和焊接错误。如果在检验过程中不能将这些问题找出来，势必在PCB板调试和使用过程中留下安全隐患。目前通常使用两种方法来检测PCB板上元件安装质量。一种方法是采用人工检测的方法，显然这种方法速度慢、效率低，无法满足较大规模生产的需求，同时也无法保证检测质量。另一种方法就是采用计算机视觉检测技术1来实现PCB板元件的自动检测。本文提出了一种新的检测方法，即通过图像模板匹配法2对PCB板上每个元件进行逐个检测。1. PCB板元件检测的基本原理PCB板的生产需要经过多道工序，在焊接元器件这道工序，由于焊接元器件种类多、数量大，容易发生漏焊和焊接错误。依靠传统的人工检验方法容易发生疏漏，检验

7、速度也无法满足大规模生产的需要。所以一般采用图像模板匹配的方法来实现PCB板元件的自动检测。其基本原理是将该器件表面图像作为图像模板，检测需要焊接该器件的区域是否存在与图像模板相类似的图像，从而来判断该区域元器件焊接是否正确。该算法无需对图像进行分割和特征提取处理，而只在原始图像数据上进行运算，从而保留了图像的全部信息。图像模板匹配方法通常采用全局搜索法，即将模板与搜索图作逐点匹配运算，这种搜索匹配模块的计算量是非常大的，为了减少计算量，本文使用简单遗传算法对其进行优化，加快其检测速度。以检测电阻为例，检测的目的是检查PCB板上应焊接某一阻值电阻的区域是否焊接了其他阻值的电阻或者发生漏焊。例如

8、在规定的坐标上应焊接5l欧姆电阻，那么就需检测该区域是否焊接了该阻值的电阻，有没有发生焊接了其他阻值电阻的情况，或者发生漏焊的情况。如图1所示，以该阻值电阻的数字图像“510”作为图像模板T，取应焊接该电阻区域的图像作为搜索图I。图1 模版T和搜索图I图像匹配算法利用相关函数来计算两幅图像的相关系数值。设搜索图I的像素为PQ，模板T的像素为MN，在搜索图I上取像素为MN的子图Sx,y，(x, y)为这块子图左上角像素点在搜索图I中的坐标。模板T和子图Sx,y的相似程度用D(x, y)表示， (1)其中Sx,y(m, n)和T(m, n)分别为子图Sx,y和模板T中坐标(m, n)对应的图像像素

9、值。展开(1)式， (2)(2)式右边的第l项是子图Sx,y的能量，与(x, y)有关：第3项是模板T的能量，在模板确定时为一个常数，第2项是子图Sx,y与模板T的互相关，模板T与子图Sx,y匹配时这一项的取值最大。由此可以使用归一化相关函数作为模板和子图的相似性度量； (3)计算搜索图I中每个子图Sx,y与模板T的相关函数R(x, y)的值，即从左上角第一个子图开始，从左往右、从上往下每次移动一个像素，计算得到整个图像的一个相关曲面，如图2所示：图2 图像的相关曲面图从图2中不难发现，相关函数R(x, y)的值大于0.6，且在多个区域内具有大于0.8的较高峰值，使得整个分布呈多极值分布，这样

10、的分布采用遗传算法进行优化容易出现局部收敛的情况，增加误检测的概率，因此本文将归一化相关函数R(x, y)做如下改进； (4)(4)式表示子图Sx,y中所有像素值的平均值，表示模板T中所有像素值的平均值。2. 简单遗传算法(SGA)的实现如果采用全局搜索匹配子图的方法， 需要计算ent(P-M)(Q-N)0.5)个子图与模板的匹配程度，用归一化相关函数求图像匹配的计算量非常大，显然需要花费大量的搜索时间。而其中除匹配子图外，其余计算都是无效计算，因此可利用遗传算法快速寻优、鲁棒性强的特点进行优化，加快检测速度。 简单遗传算法，即首先对欲求解问题进行编码，基于这种编码方式，随机产生一组染色体作为

11、进化起点的第一代群体，并且计算每个个体的适应度值。接着从这些个体中通过一定的选择策略选择个体作为父本，使用杂交算子和变异算子对父本进行交叉和变异，这样通过选择和繁殖就产生了下一代种群。反复上述选择和繁殖过程，直到找到达到适应度阈值的染色体，即目标最优解。由于一般情况下，实数编码比二进制编码直观、方便，同时更能有效克服采用二进制编码带来的例如汉明悬崖3等一系列问题，所以本文中编码方案选择实数编码。选择策略中应用最为广泛的是轮盘赌选择策略，但是采用轮盘赌选择策略需计算群体中每个个体的相对适应度值，当种群规模较大时，这种计算会带来不小的计算量，所以本文中采用锦标赛选择策略。锦标赛选择策略如图3所示，

12、先从当代种群中，随机选取2个个体作为一组，比较两个个体的适应度值，保留适应度值高的个体，放入父代种群中。然后不断的从当代种群中随机选取一组个体，把适应度值高的个体放入父代种群中。最后对父代种群应用杂交算子，生成新一代种群(子代种群)。图3 锦标赛选择策略流程图锦标赛选择策略由于在选择时与个体适应度值的绝对大小不成直接比例，所以可以在一定程度上避免超级个体的影响，同时这种选择策略使得适应度值高的个体具有比较大的选择概率，不至于在选择过程中被淘汰。3. 简单遗传算法的应用如图1所示的搜索图I的像素为PQ，模板像素为MN。要进行搜索的空间由搜索图I中所有的子图Sx,y全体构成，子图即对应遗传算法种群

13、中的个体。对于每个子图Sx,y使用其左上角像素点的坐标(x, y)表示，显然采用实数编码比较直观方便，更能克服采用二进制编码带来的倒如汉明悬崖等一系列问题。则遗传算法种群中的个体用坐标的编码可以表示为：r=(x, y)，其中x1, P-M，Y1，Q-N。为了防止近亲繁殖，即在选择产生的父代种群中同一个体或者相近个体太多，影响到产生的子代种群的多样性，引入汉明距离d去判断个体之间的差异。由于种群中个体的编码为在图像中像素的坐标点，所以两个个体ri(x, y)和rj(x, y）之间的汉明距离定义为： (5)设定汉明距离d的阈值为3，相近个体规模数的阈值为2。将新选择出来的个体ri与父代中已经存在的

14、个体rj计算汉明距离di,j若父代中有一个个体rj与新选择出来的个体ri计算出来的di,j小于3，则将相近个体规模数k加1。若k大于2，则说明新选择出来的个体ri在父代中已经存在一定的规模，直接淘汰，不放入父代种群中：若k小于2，则将该个体放入父代种群中。 适应度函数采用(4)式改进归一化相关函数，通过(4)式计算种群中每个个体的适应度值。相关函数R(x, y)的值只有在图像匹配区域附近具有较高的峰值，其余区域的峰值都低于于0.4。通过分析，本文假定其他阻值的搜索图和模板具有相类似的适应度值分布情况。因此可以将匹配相关度阈值设为0.85，只要种群中某个个体的适应度值高于匹配相关度阈值，即可认为

15、找到该匹配图像。4. 简单遗传算法的实验结果简单遗传算法(SGA)采用的参数如下：种群数目为50，杂交概率为0.8，变异概率为0.01，匹配相关度阈值为0.85。本例采用粗定位后的图像进行检测，将待测元件定位于在一定的图像内，以保证其图像的分辨率，以检测如图1所示的搜索图I为例，搜索图I的像素为384288，模板T的像素为130X70。由于子图Sx,y完全包含于搜索图中，所以子图Sx,y左上角坐标额定取值范围为：x1,384-130，Y1,288-70，即x1,254，Y1,218。首先随机产生50个像素坐标，得到50个子图，采用(4)式计算每个子图与模板T的匹配相关度值，即为这50个像素坐标

16、的适应度值。然后采用上述的锦标赛选择策略、实数编码杂交算子和均匀性变异算子，产生新一代种群，同样含有50个像素坐标。接着继续计算新的子图和模板T的匹配相关度值，如此循环往复。若在某一代中有一个像素坐标的匹配相关度值高于0.85，即适应度值高于0.85，认为检测到匹配图像，表示焊接正确。若在限定的最大进化代数中，未有一个像素坐标的适应度值高于0.85，认为焊接错误。适应度值评估函数会对简单遗传算法的收敛速度有明显的影响，即对搜索匹配模板图像的速度有明显的影响。图4、图5表示采用简单遗传算法，使用不同适应度值评估函数的检测结果，图4采用归一化相关函数(3)式作为目标函数对搜索图I进行10 000次

17、检测的结果。图5采用改进归一化相关函数(4)式作为目标函数对搜索图I进行10 000次检测的结果。其中横坐标表示检测次数，纵坐标表示每次检测所需的进化代数。进化代数达到设定的最大进化代数，表示在搜索图I上未检测到模板T，发生一次误检。图4 归一化相关函数作为目标函数的仿真结果图5 改进归一化相关函数作为目标函数的仿真结果对图4和5进行统计，得到如表1所示的统计结果。表1中列出了最大进化代数分别设为100、80和60代时，10 000次检测中发生误检的次数和概率。表1 简单遗传算法的统计结果目标函数每次检测平均进化代数检测10000次发生误检次数误检概率/%100代80代60代100代80代60

18、代归一化相关函数30.1683651655160.651.655.16改进归一化相关函数22.2685601353560.601.353.56从表中可以看出，使用了改进归一化相关函数后，检测的平均速度明显加快，误检概率降低。5. 结论本文主要研究的是PCB板元器件安装质量检测的问题。针对目前检测过程中的一些不足，提出了一种新的检测方法，即通过图像模板匹配法逐个检测PCB板上元器件，并采用遗传算法对整个检测过程进优化。通过对遗传算法各种编码方案、选择策略、交叉策略、变异策略、适应度函数和遗传算法终止法则的研究，本文采用实数编码、锦标赛选择策略、普通杂交算子和均匀性变异算子，具体实现了简单遗传算法

19、(SGA)，并采用简单遗传算法(SGA)对图像搜索匹配过程进行优化，验证了简单遗传算法可以有效优化图像匹配搜索过程，加快检测的速度。但同时发现简单遗传算法存在明显的不足，即收敛速度慢，导致有比较高的误检概率。参考文献1 鲁昌华，徐胜海，刘春数字图像处理技术在PCB板检测中的应用J仪器仪表学报，2001，22(4)：426-4282 Kenneth RCastlemanDigital Image ProcessingM1北京：清华大学出版社，20033 Michalewicz Z. Genetic algorithms + data structures = evolution programs M. Bedim: Springer-Veflag Berlin Heidelberg, 19964 张利，高永英，汪浩，吴国威PCB板检测中的定位研究J中国图像图形学报，1999，4(8)：659-6615 JIN Cheng, WEI Chen, LI Chen