CN101819161A - 一种表面缺陷视觉检测的高效路径规划方法 - Google Patents
一种表面缺陷视觉检测的高效路径规划方法 Download PDFInfo
- Publication number
- CN101819161A CN101819161A CN200910214540A CN200910214540A CN101819161A CN 101819161 A CN101819161 A CN 101819161A CN 200910214540 A CN200910214540 A CN 200910214540A CN 200910214540 A CN200910214540 A CN 200910214540A CN 101819161 A CN101819161 A CN 101819161A
- Authority
- CN
- China
- Prior art keywords
- path
- detection
- new
- temperature
- global
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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di,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Pglobal比较,获得新路径Pglobal和新的温度tp;以新的路径Pglobal和新的温度tρ重复上述过程,直到温度t<=ε,所得到的Pglobal即为所求的检测路径。应用方法所得Pglobal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
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di,j,形成检测框架距离矩阵D,(xi,yi)为出发点坐标,(xj,yi)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Pglobal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Plocal=(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Plocal,与全局最优检测路径Pglobal比较,若Plocal总的路径距离比Pglobal较短,则用Plocal将Pglobal取代,否则Pglobal不变,并降低温度得到新的温度tρ;
(17)以新的路径Pglobal和新的温度tρ重复(14)-(17)的过程,直到温度tρ<=ε,0.01<ε<0.02,所得到的Pglobal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(xi)中随机选xj,,计算Δfi,j=f(xj)-f(xi),Δfi,j<0,则xi=xj,否则若exp(-fi,j/t0)>rand(0,1),xi=xj;重复2。
tk+1=d(tk),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tk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tρ=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Plocal。因此,本方法采用一个非常直观的下降方法:tρ=ρt
实际上,时齐算法中还有另一个降温方法, 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tρ=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Pglobal。
作为一种优选方案,所述步骤(16)中,新的温度tρ还可以采用如下方法计算: G为算法下降的总次数,g为下降的次数。
应用方法所得Pglobal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di,j,形成检测框架距离矩阵D,(xi,yi)为出发点坐标,(xj,yj)为到达点坐标,为减少计算量,可知di,j=dj,i,且当i=j时,di,j=0:
(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Plocal,与全局最优路径Pglobal(初始值为P0)比较,若Plocal优于Pglobal(总的路径距离较短)则将其取代,否则Pglobal不变。新的温度tρ=ρt。
(9)以新的路径Pglobal和新的温度tρ重复(6)(7)(8)的过程,直到温度t<0.01,所得到的Pglobal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di,j,形成检测框架距离矩阵D,(xi,yi)为出发点坐标,(xi,yj)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Pglobal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Plocal=(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Plocal,与全局最优检测路径Pglobal比较,若Plocal总的路径距离比Pglobal较短,则用Plocal将Pglobal取代,否则Pglobal不变,并降低温度得到新的温度tρ;
(17)以新的路径Pglobal和新的温度tρ重复(14)-(17)的过程,直到温度tρ<=ε,0≤ε<1,所得到的Pglobal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tρ=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tρ还可以采用如下方法计算: G为算法下降的总次数,g为下降的次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910214540A CN101819161A (zh) | 2009-12-31 | 2009-12-31 | 一种表面缺陷视觉检测的高效路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910214540A CN101819161A (zh) | 2009-12-31 | 2009-12-31 | 一种表面缺陷视觉检测的高效路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101819161A true CN101819161A (zh) | 2010-09-01 |
Family
ID=42654336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910214540A Pending CN101819161A (zh) | 2009-12-31 | 2009-12-31 | 一种表面缺陷视觉检测的高效路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101819161A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102809370A (zh) * | 2011-06-01 | 2012-12-05 | 苏州优纳科技有限公司 | 一种自动光学检测系统和方法 |
CN107932505A (zh) * | 2017-11-15 | 2018-04-20 | 广东工业大学 | 基于关节臂机器人的最优打磨任务路径规划方法和装置 |
CN109682323A (zh) * | 2017-10-18 | 2019-04-26 | 蓝思科技(长沙)有限公司 | 一种质量检测平台及其ccd快速检测方法及系统 |
CN112766616A (zh) * | 2021-03-15 | 2021-05-07 | 中海石油(中国)有限公司 | 一种基于模拟退火算法的钻井平台拖航路径规划方法 |
CN113673782A (zh) * | 2021-09-06 | 2021-11-19 | 中导光电设备股份有限公司 | 多显微镜扫描拍照路径优化方法和装置 |
-
2009
- 2009-12-31 CN CN200910214540A patent/CN101819161A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102809370A (zh) * | 2011-06-01 | 2012-12-05 | 苏州优纳科技有限公司 | 一种自动光学检测系统和方法 |
CN109682323A (zh) * | 2017-10-18 | 2019-04-26 | 蓝思科技(长沙)有限公司 | 一种质量检测平台及其ccd快速检测方法及系统 |
CN107932505A (zh) * | 2017-11-15 | 2018-04-20 | 广东工业大学 | 基于关节臂机器人的最优打磨任务路径规划方法和装置 |
CN107932505B (zh) * | 2017-11-15 | 2021-06-08 | 广东工业大学 | 基于关节臂机器人的最优打磨任务路径规划方法和装置 |
CN112766616A (zh) * | 2021-03-15 | 2021-05-07 | 中海石油(中国)有限公司 | 一种基于模拟退火算法的钻井平台拖航路径规划方法 |
CN113673782A (zh) * | 2021-09-06 | 2021-11-19 | 中导光电设备股份有限公司 | 多显微镜扫描拍照路径优化方法和装置 |
CN113673782B (zh) * | 2021-09-06 | 2024-02-23 | 中导光电设备股份有限公司 | 多显微镜扫描拍照路径优化方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612059B (zh) | 一种基于pointpillars的多平面编码点云特征深度学习模型的构建方法 | |
Zhang et al. | Detection of surface defects on solar cells by fusing Multi-channel convolution neural networks | |
Wu et al. | Deep learning-based generic automatic surface defect inspection (ASDI) with pixelwise segmentation | |
CN103712555B (zh) | 汽车大梁装配孔视觉在线测量系统及其方法 | |
CN108198145A (zh) | 用于点云数据修复的方法和装置 | |
Schleich et al. | Contact and mobility simulation for mechanical assemblies based on skin model shapes | |
CN101819161A (zh) | 一种表面缺陷视觉检测的高效路径规划方法 | |
JP2013225312A5 (zh) | ||
CN107764270A (zh) | 一种激光扫描式室内地图生成和更新装置及方法 | |
Dimitriou et al. | A deep learning framework for simulation and defect prediction applied in microelectronics | |
CN109682336A (zh) | 用于车身精度检测的三坐标测量路径自动规划与优化方法 | |
Lechowicz et al. | Path optimization in 3D printer: algorithms and experimentation system | |
CN105258642B (zh) | 基于数字图像相关的实时光学引伸计测量方法 | |
CN108961385A (zh) | 一种slam构图方法及装置 | |
Lian et al. | Automatic visual inspection for printed circuit board via novel Mask R-CNN in smart city applications | |
Yin et al. | Dependant Gaussian processes regression for intelligent sampling of freeform and structured surfaces | |
CN107204040A (zh) | 多点地质统计学建模方法及装置、计算机存储介质 | |
CN111199064B (zh) | 一种地铁轨道面三维中心线生成方法 | |
Chen et al. | GPU-accelerated incremental Euclidean distance transform for online motion planning of mobile robots | |
CN105808812A (zh) | 一种地表水水龄二维介观数值模拟方法 | |
CN108197613B (zh) | 一种基于深度卷积级联网络的人脸检测优化方法 | |
CN110059544B (zh) | 一种基于道路场景的行人检测方法和系统 | |
CN112926681B (zh) | 一种基于深度卷积神经网络的目标检测方法及装置 | |
CN111402256B (zh) | 一种基于模板的三维点云目标检测和姿态估计方法 | |
KR101628174B1 (ko) | 열원내장 이동객체와 주변 간의 상호 열교환 효과를 반영한 합성적외선영상 생성방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20100901 |