(2D)2LDA和支持向量机在PCB焊点检测中应用.pdfVIP

(2D)2L队和支持向量机在PCB焊点检测中的应用 贺海浪龙绪明 刘明晓 罗爱玲 曹宏耀 董健腾 西南交通大学电气工程学院成都610000 Circuit 摘要：在现代的印刷电路板(PrintedBoard，PCB)生产过程中，焊点质量检 测是其中的一个重要组成部分。然而，随着电子元器件封装的不断小型化，焊点质量检测 也变得越来越具有挑战性，传统的依靠人工检测的方式已经越来越不能满足实际生产的需 要，同时，基于图像处理与人工智能的自动光学检测(Automatic C}pticInspection，AOI) 技术在焊点质量检测中得到越来越广泛的应用。本文提出一种将双方向二维线性判别分析 (n旧DirectionalTwo—dimensionLinearDiscriminant vector (Support 法能够取得良好的识别效果。 关键词：焊点检测；双方向二维线性判别分析；支持向量机 0序言 当今世界，随着微电子技术不断发展，电子元器件的引脚不断向着高密度，小型化方 向发展，这使得人们对印刷电路板的焊接技术提出更高的要求。传统的基于肉眼的人工检 测方法不管在速度上，还是在准确性上，都越来越不能满足实际生产的需求fl】o与此相比， AOI技术却能够很好的应对这种趋势，并且检测速度快，不受外界干扰，稳定性强。随着 图像处理技术，模式识别技术和计算机技术的不断发展，AOI检测技术也在不断的推陈出 新，逐渐向着高准确性，高智能化方向发展[2】。 围进行确定。这对于用户的使用来说，显得过于复杂【4】。鉴于P耐ical分析方法的不足，有 Neuml 很多学者提出采用神经网络(AnificialNe咐ork，ANN)的模式识别方法来检测焊点 的缺陷【s]，取得了很好的效果。但是神经网络本身存在着局部最优解，过度拟合等问题， 这些都使其应用受到了一定的限制。 为了克服这些问题，本文提出了一种将(2D)2LDA特征提取方法和支持向量机相结合的 焊点检测方法。在获得焊点图像后，若直接将图像全部像素点作为特征向量输入支持向量 机，则会因特征向量的维数过高而增加计算的复杂度，而且过高的特征向量维数会导致分 373 Linear (2D)2LDA实现在行和列两个方向对图像的投影，使获得的图像特征更少，更有利于支持向 量机的分类。SVM是一种在统计学习理论的基础上发展起来的新一代学习算法[7]，相比于 人工神经网络，支持向量机对于未见过的测试样本具有更好的推广能力。其学习训练过程 是一个二次规划(Quadratic 目前已成为机器学习领域的一个研究热点。 1双方向二维线性判别分析 1．12DLDA降维算法 对于一幅大小为m×n的图像A，2DLDA降维的目的是找到一个n行d列的向量矩阵 w=Ⅳ』，w己···w衫，通过公式 】，=彳w (11 将图像A降到m×d维大小，在这个新的坐标空间中，同类样本的类内距最小化，不 同类别样本的类间距最大化，即最大化 m)=器(2) 其中加俐表示矩阵x的迹，隅表示在投影空间中样本的类间散布矩阵，峦。表示在投 影空间中样本的类内散布矩阵。 令训练图像样本数为Ⅳ，共分成c类，第f一=J，2，··叫类训练样本的样本数为M，样本 N笔j t Ni％I 的均万=专善4值’射类样本的均值互=寿善∥为’则 z咒=∑M(霉一歹)r(霉一歹) f=l (3) =∑M[(互一万)w】r[(互一j)w)] f=l c Nl 弼。=∑∑(巧’一霉)，(r’一霉) 活1，=l c N．