CN101819161A - 一种表面缺陷视觉检测的高效路径规划方法 - Google Patents

Abstract

本发明涉及表面缺陷视觉检测领域，特别是一种表面缺陷视觉检测的高效路径规划方法。本发明采用的技术方案为：一种表面缺陷视觉检测的高效路径规划方法，用于规划摄像机与平台的相对运动路线，包括：计算两两检测框架之间的距离d_i，j；生成a个随机检测路径，得到初始检测路径P₀；从路径P₀的邻域中随机选择一个新的检测路径；计算新检测路径与当前路径的路程差值Δd，确定较优检测路径；与全局最优检测路径P_global比较，获得新路径P_global和新的温度t_p；以新的路径P_global和新的温度t_ρ重复上述过程，直到温度t＜＝ε，所得到的P_global即为所求的检测路径。应用方法所得P_global控制摄像机(x轴)和平台(y轴)的相对运动，从而对各个框架进行检测，可以大大降低检测过程的时间，提高检测效率。

Description

一种表面缺陷视觉检测的高效路径规划方法

技术领域

本发明涉及表面缺陷视觉检测领域，特别是一种表面缺陷视觉检测的高效路径规划方法。

背景技术

机器视觉是利用计算机对景物的图像进行识别，以实现人类视觉功能的扩展，利用这一技术可以解决许多工业图像检测环节的问题。视觉检测技术是建立在机器视觉研究基础上的一门新兴检测技术。基于视觉传感器的检测系统具有抗干扰力强，效率高，组成简单等优点，可以提高生产的柔性和自动化程度。视觉检测应用在工业表面缺陷检测十分广泛，如：印刷电路板的缺陷检测、钢板表面的自动探伤、大型工件平行度和垂直度测量、和磁芯的表面质量检测等。视觉检测主要有获取图像，处理图像两个不同的步骤。对于表面缺陷视觉检测中获取图像的步骤来说，必须通过移动平台的XY轴来协调相机和待检测表面的相对运动，才能拍摄到整个待检测表面上所有需要检查的部分。而且，摄像机一经选定，其视野(FOV)大小也就确定了，必须布局多个检测框架进行多处检测。就图像检测而言，计算机处理的速度是很快的，表面缺陷检测大部分时间将花在摄像机的移动上。因此提高检测效率很大程度上取决于摄像机的检测路径，必须对取像点的位置和移动路径进行合理规划，以保证在较短的时间内完成图像数据的采集。

模拟退火算法是解决本问题的有效借鉴方法之一。模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对当前解重复“产生新解→计算目标函数差→接受或舍弃”的迭代，并逐步衰减t值，算法终止时的当前解即为所得近似最优解，这是基于蒙特卡罗迭代求解法的一种启发式随机搜索过程。理论上说，它是一种全局最优算法。

发明内容

本发明提供一种表面缺陷视觉检测的高效路径规划方法，以解决现有技术在表面缺陷视觉检测的检测效率低下的技术问题。

本发明采用的技术方案为：

一种表面缺陷视觉检测的高效路径规划方法，用于规划摄像机与平台的相对运动路线，在获得各个检测框架中心坐标信息后，还包括以下步骤：

(11)按照读入框架的顺序给各个检测框架和模型视图原点(0，0)分配编号i，0≤i≤N，N为框架总数，原点编号为0；

(12)按照各个框架的编号和中心的模型视图坐标，计算两两检测框架之间的距离d_i，j，形成检测框架距离矩阵D，(x_i，y_i)为出发点坐标，(x_j，y_i)为到达点坐标；

(13)一开始生成a条随机检测路径，计算每条路径总的长度f，得到最大和最小检测路径长度max f和min f，a为大于1的常数，并以min f的检测路径作为初始检测路径P₀，全局最优检测路径P_global为P₀，初始温度t₀＝-(max f-min f)/ln(b)，其中b为小于1的常数，内循环次数为大于1的正数n；

(14)从路径P₀的邻域中随机选择一个新的检测路径，假设1≤k＜m≤N，则将原检测路径P_local＝(w0，w1，…，wk，wk+1，…，wm-1，wm，wm+1，…，wN)变为新检测路径P＝(w0，w1，…，wm，wm-1，…wk+1，wk，wm+1，…，wN)，此为路径邻域2-opt映射，即对路径序列两个点之间的序号作逆序排列；

(15)计算新检测路径与当前路径的路程差值Δd，根据路程差值Δd确定较优检测路径；

(16)经过N次内循环，得到当前较优检测路径P_local，与全局最优检测路径P_global比较，若P_local总的路径距离比P_global较短，则用P_local将P_global取代，否则P_global不变，并降低温度得到新的温度t_ρ；

(17)以新的路径P_global和新的温度t_ρ重复(14)-(17)的过程，直到温度t_ρ＜＝ε，0.01＜ε＜0.02，所得到的P_global即为所求的检测路径。

作为一种优选方案，所述步骤(15)的具体步骤如下：

如果新检测路径的路程短，则用它替换当前检测路径，如果新路径长于当前路径，但exp(-Δd/t)＞random(0，1)，则仍然替换当前路径，新路径为当前较优检测路径，t为当前温度。

表面缺陷视觉检测的路径规划问题与旅行商(TSP)问题有很多相似的地方。所不同的是它：1、具有固定的出发框架(平台原点)；2、不考虑回程；3、最终目的是移动时间最优。事实上移动时间最优是较难实现的，我们将其视为解决移动距离最优问题，检测效率也同样得到保证。因此本方法的思路是将表面缺陷视觉检测路径规划问题转化为TSP问题，即把各个待检测的框架视为不同的城市，效仿模拟退火方法，寻找一条具有固定出发点的不含回程的一次历遍的最短路径。

本方法的总体过程为：：

根据检测框架布局情况，任选一个初始解x₀，k₀，t₀；

若在该温度达到内循环停止条件，则跳到3；否则，从路径邻域N(x_i)中随机选x_j，，计算Δf_i，j＝f(x_j)-f(x_i)，Δf_i，j＜0，则x_i＝x_j，否则若exp(-f_i，j/t₀)＞rand(0，1)，x_i＝x_j；重复2。

t_k+1＝d(t_k)，k＝k+1，比较内循环和外循环值；若满足停止条件，终止计算；否则回到2

在上述过程中，包含一个内循环和一个外循环，内循环是2，它表示在同一个温度t_k时，在一些状态随机搜索.。外循环主要包括3的温度下降变化、迭代步数的增加和和停止条件。

在一个给定的温度，搜索从一个状态随机地变化到另一个状态，每一个状态到达的次数服从一个概率分布，当温度很低时，以概率1停留在最优解。本方法采用时齐的算法，即在每一个固定的t，计算对应的马尔可夫链变化，直至达到一个稳定状态，然后再使温度下降。

作为进一步的优选方案，所述步骤(3)中，参数a∈[1000，10000]，参数b∈(0.7，1)。

作为一种优选方案，所述步骤(13)中，所述内循环次数n＝KN，K为大于1的常数，N为检测框架总数。

每一温度的迭代长度规则：实际计算中按理论达到平稳分布是不可能的，只能近似这一结果。本方法采用固定长度的方法。这是一个简单的方法，在每一温度，迭代相同的步数，步数的选取与检测框架总数有关，通常采用与邻域大小直接相关的规则。本方法中取迭代长度n：

n＝KN

其中K与计算的马尔可夫链有关，N为检测框架总数。

作为进一步的优选方案，所述参数K为100。

作为一种优选方案，所述步骤(16)中，新的温度t_ρ＝ρt，降温系数ρ为小于1的常数。

温度的下降方法：时齐算法的理论要求温度下降到零，整个系统以概率1收敛全局最优解，无论直观理解还是理论要求，温度总是下降的，同时得到当前检测路径P_local。因此，本方法采用一个非常直观的下降方法：t_ρ＝ρt

实际上，时齐算法中还有另一个降温方法， $t_{k+1}=\frac{K-k}{K}{t}_k,$ K为算法下降的总次数，k为下降的次数，该方法的优点是易于操作，而且可以控制温度下降的总的步数，每一步下降的温度相等。两种方法都可应用于优化方法的温度下降控制，且简单易用。本方法采用前者。

作为进一步的优选方案，ρ为0.95。

作为一种优选方案，ε为0.01。

停止温度的确定：从初始温度开始，通过在每一温度的迭代和温度的下降，最后达到终止原则而停止。尽管有些原则有一定理论的指导，停止温度(终止原则)大多是直观的。为使整个系统以概率1收敛全局最优解，理论上要求温度下降到零，而实际上由t_ρ＝ρt可知温度是不可能将为0的。因而最为简单的方法是：给定一个比较小的正数ε，当温度t＜ε时，算法停止，表示已经达到最低温度，同时已经得到目标检测路径P_global。

作为一种优选方案，所述步骤(16)中，新的温度t_ρ还可以采用如下方法计算： $t_{\mathrm{\ρ}}=\frac{G-g}{G}t,$ G为算法下降的总次数，g为下降的次数。

应用方法所得P_global控制摄像机(x轴)和平台(y轴)的相对运动，从而对各个框架进行检测，可以大大降低检测过程的时间，提高检测效率。

附图说明

图1是表面缺陷视觉检测的高效路径规划方法的流程图；

图2是表面缺陷视觉检测的高效路径规划方法示意图(以AOI为例)；

具体实施方式

下面结合附图与具体实施例对本发明进行进一步详细的说明。

实施例以贴装PCB表面安装元件安装缺陷检测为例，本实施例包括以下步骤：

(1)首先打开或新建PCB电路板模型，在PCB模型视图中按照检测要求添加、修改或删除检测框架。

(2)点击生成规划路径快捷键或菜单，程序读入各个检测框架中心点坐标信息，该坐标是由屏幕客户区坐标转换为模型视图坐标的。

(3)将各个检测框架中心坐标视为各个不同城市的坐标，从而把表面缺陷视觉检测路径规划方法转化为TSP(旅行商)问题，按照读入框架的顺序给各个框架和模型视图原点(0，0)分配检测框架编号i；

(4)按照各个检测框架的编号和中心坐标，计算两两检测框架之间的距离d_i，j，形成检测框架距离矩阵D，(x_i，y_i)为出发点坐标，(x_j，y_j)为到达点坐标，为减少计算量，可知d_i，j＝d_j，i，且当i＝j时，d_i，j＝0：

$d_{i,j}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}$

(5)确定初始路径P₀、初始温度t₀、降温系数ρ和内循环次数n，模拟退火过程规划框架检测路径。一开始生成10000次的随机路径，得到max f和min f，并以min f的路径为初始路径P₀，初始温度t₀＝-(max f-min f)/ln(0.9)，降温系数ρ＝0.95，内循环次数n＝100N。

(6)从初始路径的邻域中随机选择一个新的路径，邻域映射为2-opt。

(7)计算新路径与当前路径的路程差值Δf，如果新路径的路程短，则用它替换当前路径，如果新路径长于当前路径，但exp(-Δf/t)＞random(0，1)，则仍然替换当前路径，t为当前温度。

(8)经过N次内循环，得到当前较优路径P_local，与全局最优路径P_global(初始值为P₀)比较，若P_local优于P_global(总的路径距离较短)则将其取代，否则P_global不变。新的温度t_ρ＝ρt。

(9)以新的路径P_global和新的温度t_ρ重复(6)(7)(8)的过程，直到温度t＜0.01，所得到的P_global即为所求的检测路径。

图2所示即为根据实验得出的最终检测路径示意图。

Claims (9)

1.一种表面缺陷视觉检测的高效路径规划方法，用于规划摄像机与平台的相对运动路线，在获得各个检测框架中心坐标信息后，其特征在于还包括以下步骤：

(11)按照读入框架的顺序给各个检测框架和模型视图原点(0，0)分配编号i，0≤i≤N，N为框架总数，原点编号为0；

(12)按照各个框架的编号和中心的模型视图坐标，计算两两检测框架之间的距离d_i，j，形成检测框架距离矩阵D，(x_i，y_i)为出发点坐标，(x_i，y_j)为到达点坐标；

(13)一开始生成a条随机检测路径，计算每条路径总的长度f，得到最大和最小检测路径长度maxf和minf，a为大于1的常数，并以minf的检测路径作为初始检测路径P₀，全局最优检测路径P_global为P₀，初始温度t₀＝-(maxf-minf)/ln(b)，其中b为小于1的常数，内循环次数为大于1的正数n；

(14)从路径P₀的邻域中随机选择一个新的检测路径，假设1≤k＜m≤N，则将原检测路径P_local＝(w0，w1，…，wk，wk+1，…，wm-1，wm，wm+1，…，wN)变为新检测路径P＝(w0，w1，…，wm，wm-1，…wk+1，wk，wm+1，…，wN)，此为路径邻域2-opt映射，即将路径序列两个点之间的序号逆序排列；

(15)计算新检测路径与当前路径的路程差值Δd，根据路程差值Δd确定较优检测路径；

(16)经过N次内循环，得到当前较优检测路径P_local，与全局最优检测路径P_global比较，若P_local总的路径距离比P_global较短，则用P_local将P_global取代，否则P_global不变，并降低温度得到新的温度t_ρ；

(17)以新的路径P_global和新的温度t_ρ重复(14)-(17)的过程，直到温度t_ρ＜＝ε，0≤ε＜1，所得到的P_global即为所求的检测路径。

(18)应用方法所得a∈[1000，10000]控制摄像机和平台的相对运动。

2.根据权利要求1所述的高效路径规划方法，其特征在于，所述步骤(15)的具体步骤如下：

如果新检测路径的路程短，则用它替换当前检测路径，如果新路径长于当前路径，但exp(-Δd/t)＞random(0，1)，则仍然替换当前路径，新路径为当前较优检测路径，t为当前温度。

3.根据权利要求1所述的高效路径规划方法，其特征在于，所述步骤(3)中，参数a ∈[1000，10000]，参数b∈(0.7，1)。

4.根据权利要求1所述的高效路径规划方法，其特征在于，所述步骤(13)中，所述内循环次数n＝KN，K为大于1的常数，N为检测框架总数。

5.根据权利要求3所述的高效路径规划方法，其特征在于，所述参数K为100。

6.根据权利要求1所述的高效路径规划方法，其特征在于，所述步骤(16)中，新的温度t_ρ＝ρt，降温系数ρ为小于1的常数，。

7.根据权利要求6所述的高效路径规划方法，其特征在于，ρ∈(0.5，0.98)。

8.根据权利要求1所述的高效路径规划方法，其特征在于，ε∈(0.01，0.02)。

9.根据权利要求1所述的高效路径规划方法，其特征在于，所述步骤(16)中，新的温度t_ρ还可以采用如下方法计算： $t_{\mathrm{\ρ}}=\frac{G-g}{G}t,$ G为算法下降的总次数，g为下降的次数。