CN111243013B - 基于集成多目标回归链的视觉印刷机纠偏位姿预测方法 - Google Patents

基于集成多目标回归链的视觉印刷机纠偏位姿预测方法 Download PDF

Info

Publication number
CN111243013B
CN111243013B CN202010030537.8A CN202010030537A CN111243013B CN 111243013 B CN111243013 B CN 111243013B CN 202010030537 A CN202010030537 A CN 202010030537A CN 111243013 B CN111243013 B CN 111243013B
Authority
CN
China
Prior art keywords
pose
chain
target
regression
model
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.)
Active
Application number
CN202010030537.8A
Other languages
English (en)
Other versions
CN111243013A (zh
Inventor
张宪民
吴强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010030537.8A priority Critical patent/CN111243013B/zh
Publication of CN111243013A publication Critical patent/CN111243013A/zh
Application granted granted Critical
Publication of CN111243013B publication Critical patent/CN111243013B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B41PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
    • B41FPRINTING MACHINES OR PRESSES
    • B41F33/00Indicating, counting, warning, control or safety devices
    • B41F33/16Programming systems for automatic control of sequence of operations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • G06N20/20Ensemble learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00General purpose image data processing
    • G06T1/0014Image feed-back for automatic industrial control, e.g. robot with camera
    • HELECTRICITY
    • H05ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05KPRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/08Monitoring manufacture of assemblages
    • H05K13/081Integration of optical monitoring devices in assembly lines; Processes using optical monitoring devices specially adapted for controlling devices or machines in assembly lines
    • H05K13/0817Monitoring of soldering processes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • G06T2207/30141Printed circuit board [PCB]
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Robotics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于集成多目标回归链的视觉印刷机纠偏位姿预测方法,包括步骤:1)获取视觉印刷机纠偏过程中的历史数据,即样本数据;2)对样本数据进行预处理,切分训练集和测试集;3)利用训练集建立多目标回归链的视觉印刷机纠偏位姿预测单链模型;4)在单链预测模型的基础上建立的集成多目标回归链的视觉印刷机纠偏位姿预测多链模型;5)根据测试集对集成多目标回归链的视觉印刷机纠偏预测模型进行误差评估。本发明通过回归预测的方法,准确预测全自动视觉印刷机纠偏后PCB相对模板的位姿,可利用预测位姿在对位纠偏中进一步补偿,降低生产过程中繁琐的标定步骤,同时可适应在不同时期视觉印刷机设备状态变化,有利于提高视觉印刷机精度和稳定性。

Description

基于集成多目标回归链的视觉印刷机纠偏位姿预测方法
技术领域
本发明涉及视觉印刷机定位纠偏和纠偏补偿等技术领域,尤其是指一种基于集成多目标回归链的视觉印刷机纠偏位姿预测方法。
背景技术
全自动视觉印刷机是表面贴装技术(Surface Mount technology,SMT)生产线的关键设备之一,其印刷效率与精度是影响SMT生产线的效率与印刷产品质量的主要因素。锡膏印刷品质是影响SMT产品质量的重要因素之一,据统计,电路板缺陷中约有70%可以追溯到锡膏印刷不良。随着科技的不断进步,电子产品向微型化、高密度、零缺陷的方向发展,印刷机的精度及稳定性要求也越来越高。
目前,现有视觉印刷机由视觉对准系统,印刷系统和纠偏算法模块等组成。系统的定位误差、机构制造和装配误差以及视觉对准系统的纠偏误差等因素,大大制约了印刷精度的提高。设备中存在多种误差,粗大误差如运动轴的传动比误差、像素当量误差等,系统误差有运动模型的结构参数误差、结构间隙等,随机误差包含相机的重复匹配误差、运动轴的重复定位误差等。印刷设备的误差直接影响设备的工艺流程,并在工艺流程中不断积累,最终形成锡膏印刷的精度误差和稳定性误差。总体而言,现有的视觉印刷机纠偏方法是通过生产前对设备工作状态进行标定,并通过一定的补偿,实现PCB与模板的对位。标定后通过相机获取PCB与模板的位置偏差,经由纠偏算法进行纠偏,再通过相机获取纠偏后PCB与模板的位置偏差,确保印刷的精度。在实际生产过程中,其误差补偿在生产之前就已标定并保持不变,忽视了设备在长期工作状态下因设备疲劳等原因导致的纠偏能力下降的问题。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种基于集成多目标回归链的视觉印刷机纠偏位姿预测方法,突破传统视觉印刷机纠偏的简单标定误差补偿,无法适应不同长期印刷设备状态变化的问题,采用历史的印刷数据,对当前的纠偏后位姿进行预测,以期利用预测后的纠偏位姿对PCB与模板纠偏过程中对纠偏输入进一步补偿,提高视觉印刷机的印刷精度及稳定性。
为实现上述目的,本发明所提供的技术方案为:基于集成多目标回归链的视觉印刷机纠偏位姿预测方法,包括以下步骤:
1)获取视觉印刷机纠偏过程中的历史数据,即样本数据;
2)对样本数据进行预处理,切分训练集
Figure BDA0002364139150000021
和测试集/>
Figure BDA0002364139150000022
3)利用训练集建立多目标回归链的视觉印刷机纠偏预测单链模型;
4)在单链预测模型的基础上建立的集成多目标回归链的视觉印刷机纠偏位姿预测模型;
5)根据测试集对集成多目标回归链的视觉印刷机纠偏预测模型进行误差评估。
在步骤1)中,所述视觉印刷机纠偏过程中的历史数据是指视觉印刷机纠偏过程中获取的纠偏位姿信息数据,包括PCB进板位置信息、位姿、PCB纠偏理论的电机纠偏输入、纠偏前位置精度、纠偏后位姿;其中,纠偏后位姿为多目标,位姿表示为PCB相对模板的位置,包括X、Y和θ,X为纠偏后的横向位姿,Y为纠偏后的纵向位姿,θ为纠偏后的角度位姿。
在步骤2)中,对样本数据进行预处理,切分训练集
Figure BDA0002364139150000023
和测试集/>
Figure BDA0002364139150000024
包括以下步骤:
2.1)对样本数据进行归一化处理,采用min-max标准化公式:
Figure BDA0002364139150000031
式中,其中
Figure BDA0002364139150000032
是归一化后的视觉印刷机纠偏工作过程中采集的样本数据,其中max为样本数据特征的最大值,min为样本数据特征的最大值,/>
Figure BDA0002364139150000033
为单个样本,包括多维特征;
2.2)对归一化后的样本数据进行切分,切分为训练集
Figure BDA0002364139150000035
和测试集/>
Figure BDA0002364139150000034
对训练集
Figure BDA0002364139150000036
再根据样本目标数量进行切分,由于视觉印刷机纠偏位姿为3目标,包括X、Y和θ,X为纠偏后横向的位姿、Y为纠偏后纵向的位姿、θ为纠偏后的角度位姿,因而对训练集/>
Figure BDA0002364139150000037
分成3份:/>
Figure BDA0002364139150000039
和/>
Figure BDA0002364139150000038
在步骤3)中,所述多目标回归链的视觉印刷机纠偏位姿预测单链模型以XGBoost为基学习器进行多目标预测建模,包括以下步骤:
3.1)根据单条回归链确定视觉印刷机纠偏位姿的建模顺序,若回归链为[0,1,2],则多目标建模顺序为[X,Y,θ],若回归链为[1,2,0],则多目标建模顺序为[Y,θ,X];
3.2)采用回归链顺序为[0,1,2],确定多目标建模顺序为[X,Y,θ],以XGBoost为基学习器进行建模;
3.3)根据步骤2.2)中切分的训练集
Figure BDA00023641391500000310
选用训练集中样本/>
Figure BDA00023641391500000311
为输入,横向位姿X为目标建立基模型XGBoost1;
3.4)通过网格搜索方法,选择基模型XGBoost1参数,其中包括树模型最大深度max_depth、最小叶子节点权重min_child_weight、树的惩罚系数gamma、样本采样数subsample、特征采样数colsample_bytree、学习率eta、基学习器的个数num_boost_round,通过模型效果选取最优的参数组合,基模型损失函数采用绝对百分比误差MAPE;
3.5)根据步骤2.2)中切分的训练集
Figure BDA0002364139150000041
选用训练集中样本/>
Figure BDA0002364139150000042
为输入,以基模型XGBoost1预测/>
Figure BDA0002364139150000043
其中/>
Figure BDA0002364139150000044
为基模型XGBoost1在训练集/>
Figure BDA0002364139150000045
上关于横向位姿X的预测值,并以
Figure BDA0002364139150000046
和/>
Figure BDA0002364139150000047
为输入,纵向位姿Y为目标建立基模型XGBoost2,其参数调优和损失函数与基模型XGBoost1建立过程相同;
3.6)根据步骤2.2)中切分的训练集
Figure BDA0002364139150000048
选用训练集中样本/>
Figure BDA0002364139150000049
为输入,以基模型XGBoost1预测横向位姿/>
Figure BDA00023641391500000410
其中/>
Figure BDA00023641391500000411
为基模型XGBoost1在训练集/>
Figure BDA00023641391500000412
上关于横向位姿X的预测值,并以/>
Figure BDA00023641391500000413
为输入,以基模型XGBoost2预测纵向位姿/>
Figure BDA00023641391500000414
其中/>
Figure BDA00023641391500000415
为基模型XGBoost2在训练集/>
Figure BDA00023641391500000416
上关于纵向位姿Y的预测值;再以/>
Figure BDA00023641391500000417
和/>
Figure BDA00023641391500000418
为输入,角度位姿θ为目标建立基模型XGBoost3,其参数调优和损失函数与基模型XGBoost1建立过程相同,能够通过测试集/>
Figure BDA00023641391500000419
获得;
3.7)最后,根据步骤2.2)中切分的测试集
Figure BDA00023641391500000420
作为输入,以基模型XGBoost1预测横向位姿/>
Figure BDA00023641391500000421
其中/>
Figure BDA00023641391500000422
为基模型XGBoost1在训练集/>
Figure BDA00023641391500000423
上关于横向位姿X的预测值,并以/>
Figure BDA00023641391500000424
和/>
Figure BDA00023641391500000425
为输入,以基模型XGBoost2预测纵向位姿/>
Figure BDA00023641391500000426
其中/>
Figure BDA00023641391500000427
为基模型XGBoost2在训练集
Figure BDA00023641391500000428
上关于纵向位姿Y的预测值;再以/>
Figure BDA00023641391500000429
Figure BDA00023641391500000430
和/>
Figure BDA00023641391500000431
为输入,以基模型XGBoost3预测角度位姿/>
Figure BDA00023641391500000432
在测试集/>
Figure BDA00023641391500000433
上以单链多目标预测方法获得视觉印刷机纠偏位姿X、Y和θ的预测值/>
Figure BDA00023641391500000434
和/>
Figure BDA00023641391500000435
在步骤4)中,由步骤3)中的多目标回归链的视觉印刷机纠偏位姿单链预测模型,建立集成多目标回归链的视觉印刷机纠偏位姿预测模型XGB-ERC,具体如下:
4.1)生成多条随机回归链,形成多目标回归链矩阵;
4.2)对每一条回归链,分别建立多目标预测模型,即基模型XGBoost1、XGBoost2和XGBoost3;
4.3)对所有回归链,通过计算多目标的平均值建立集成多目标回归链的视觉印刷机纠偏位姿预测模型XGB-ERC。
在步骤5)中,由步骤2)中切分的测试集
Figure BDA0002364139150000054
对步骤4)建立的集成多目标回归链的视觉印刷机纠偏位姿模型XGB-ERC进行评估,对全自动视觉印刷机的纠偏位姿X、Y和θ进行预测,其中X为纠偏后的横向位姿,Y为纠偏后的纵向位姿,θ为纠偏后的角度位姿,将预测的纠偏位姿/>
Figure BDA0002364139150000055
和/>
Figure BDA0002364139150000056
与实际纠偏位姿X、Y和θ进行误差计算,误差采用绝对百分比误差MAPE、平均绝对误差MAE和均方根误差RSME作为评估指标,将预测的纠偏位姿/>
Figure BDA0002364139150000058
和/>
Figure BDA0002364139150000057
进行去归一化,进行预测数据输出:
Figure BDA0002364139150000051
Figure BDA0002364139150000052
Figure BDA0002364139150000053
式中,yi为实际纠偏位姿值,
Figure BDA0002364139150000059
为模型预测的纠偏位姿值,n为样本数量;
通过对模型效果进行评估,能够得到PCB在视觉印刷机纠偏后的位姿,从而通过视觉印刷机位姿误差与纠偏电机输入之间的关系,获得输入补偿量,进一步提高视觉印刷机的精度与稳定性。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明首次运用机器学习对视觉印刷机纠偏误差预测的方法,突破传统的只是简单在印刷前进行误差标定,标定单一的问题。
2、本发明通过视觉印刷机工作的历史数据,建立视觉印刷机纠偏位姿预测模型,以期对实时纠偏过程中基于预测偏差进行补偿,达到提高印刷精度及稳定性的目的。
3、本发明充分利用近期设备工作过程信息,结合历史信息可以更准确适应视觉印刷机在不同时期的工作状态。
4、本发明采用多目标预测方法,对具有相关关系的多目标预测有一定的借鉴作用。
5、本发明方法在视觉印刷机纠偏系统中具有广泛的使用空间,操作简单、适应性强,在提高视觉印刷机精度与稳定性方面有广阔前景。
附图说明
图1为本发明逻辑流程示意图。
图2为本发明与XGBoost模型对纠偏位姿X预测的残差对比图。
图3为本发明与XGBoost模型对纠偏位姿Y预测的残差对比图。
图4为本发明与XGBoost模型对纠偏位姿θ预测的残差对比图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示,本实施实例所提供的基于集成多目标回归链的视觉印刷机纠偏位姿预测方法,包括以下步骤:
1)获取视觉印刷机纠偏过程中的历史数据,即样本数据;其中,所述视觉印刷机纠偏过程中的历史数据是指视觉印刷机纠偏过程中获取的纠偏误差信息数据,包括PCB进板位置信息、位姿、PCB纠偏理论的电机纠偏输入、纠偏前位置精度、纠偏后位姿等。其中,纠偏后位姿为多目标,位姿表示为PCB相对模板的位置,包括X、Y和θ,X为纠偏后的横向位姿,Y为纠偏后的纵向位姿,θ为纠偏后的角度位姿。
实验平台:处理器为Inter(R)Core(TM)i7-8750;CPU频率为2.20Hz,内存为8GB;操作系统为Windows 10(64位);基于Python3.6编程;集成开发环境为Pycharm CommunityEdition2019。本实例的数据是创威科技TW-P3000全自动视觉印刷机在一段时间工作过程中采集的数据,总共包括30200条数据。
获取的视觉印刷机纠偏历史数据如表1所示:
表1 视觉印刷机纠偏历史数据
Figure BDA0002364139150000071
2)对样本数据进行预处理,切分训练集
Figure BDA0002364139150000073
和测试集/>
Figure BDA0002364139150000074
具体如下:
2.1)对样本数据进行归一化处理,采用min-max标准化公式:
Figure BDA0002364139150000072
式中,其中
Figure BDA0002364139150000075
是归一化后的视觉印刷机纠偏工作过程中采集的样本数据,其中max为样本数据特征的最大值,min为样本数据特征的最大值,/>
Figure BDA0002364139150000076
为单个样本,包括多维特征;
2.2)对归一化后的样本数据进行切分,切分为训练集
Figure BDA0002364139150000078
和测试集/>
Figure BDA0002364139150000077
对训练集
Figure BDA0002364139150000081
再根据样本目标数量进行切分,由于视觉印刷机纠偏位姿为3目标:X、Y和θ,X为纠偏后的横向位姿,Y为纠偏后的纵向位姿,θ为纠偏后的角度位姿,因而对训练集/>
Figure BDA0002364139150000082
分成3份:/>
Figure BDA0002364139150000083
和/>
Figure BDA0002364139150000084
其中样本数据为30200条,训练集为30000条数据,测试集为200条,即样本/>
Figure BDA0002364139150000085
分别为10000条数据,测试集/>
Figure BDA0002364139150000086
为200条。
3)利用训练集建立多目标回归链的视觉印刷机纠偏预测单链模型,以XGBoost为基学习器进行多目标预测建模,具体步骤如下:
3.1)根据单条回归链确定视觉印刷机纠偏位姿的建模顺序,若回归链为[0,1,2],则多目标建模顺序为[X,Y,θ],若回归链为[1,2,0],则多目标建模顺序为[Y,θ,X];
3.2)采用回归链顺序为[0,1,2],确定多目标建模顺序为[X,Y,θ],以XGBoost为基学习器进行建模;
3.3)根据步骤2.2)中切分的训练集
Figure BDA0002364139150000087
选用训练集中样本/>
Figure BDA0002364139150000088
为输入,X为目标建立基模型XGBoost1;
3.4)通过网格搜索方法,选择基模型XGBoost1参数,其中包括树模型最大深度max_depth、最小叶子节点权重min_child_weight、树的惩罚系数gamma、样本采样数subsample、特征采样数colsample_bytree、学习率eta、基学习器的个数num_boost_round,通过模型效果选取最优的参数组合,基模型损失函数采用绝对百分比误差MAPE;
3.5)根据步骤2.2)中切分的训练集
Figure BDA0002364139150000089
选用训练集中样本/>
Figure BDA00023641391500000810
为输入,以基模型XGBoost1预测/>
Figure BDA00023641391500000811
其中/>
Figure BDA00023641391500000812
为基模型XGBoost1在训练集/>
Figure BDA00023641391500000813
上关于横向位姿X的预测值,并以
Figure BDA00023641391500000814
和/>
Figure BDA00023641391500000815
为输入,纵向位姿Y为目标建立基模型XGBoost2,其参数调优和损失函数与基模型XGBoost1建立过程相同;
3.6)根据步骤2.2)中切分的训练集
Figure BDA0002364139150000091
选用训练集中样本/>
Figure BDA0002364139150000092
为输入,以基模型XGBoost1预测横向位姿/>
Figure BDA0002364139150000093
其中/>
Figure BDA0002364139150000094
为基模型XGBoost1在训练集/>
Figure BDA0002364139150000095
上关于横向位姿X的预测值,并以/>
Figure BDA0002364139150000096
为输入,以基模型XGBoost2预测纵向位姿/>
Figure BDA0002364139150000097
其中/>
Figure BDA0002364139150000098
为基模型XGBoost2在训练集/>
Figure BDA0002364139150000099
上关于纵向位姿Y的预测值;再以/>
Figure BDA00023641391500000910
和/>
Figure BDA00023641391500000911
为输入,角度位姿θ为目标建立基模型XGBoost3,其参数调优和损失函数与基模型XGBoost1建立过程相同,可通过测试集/>
Figure BDA00023641391500000912
获得;
3.7)最后,根据步骤2.2)中切分的测试集
Figure BDA00023641391500000913
作为输入,以基模型XGBoost1预测横向位姿/>
Figure BDA00023641391500000914
其中/>
Figure BDA00023641391500000915
为基模型XGBoost1在训练集/>
Figure BDA00023641391500000916
上关于横向位姿X的预测值,并以/>
Figure BDA00023641391500000917
和/>
Figure BDA00023641391500000918
为输入,以基模型XGBoost2预测纵向位姿/>
Figure BDA00023641391500000919
其中/>
Figure BDA00023641391500000920
为基模型XGBoost2在训练集
Figure BDA00023641391500000921
上关于纵向位姿Y的预测值;再以/>
Figure BDA00023641391500000922
Figure BDA00023641391500000923
和/>
Figure BDA00023641391500000924
为输入,以基模型XGBoost3预测角度位姿/>
Figure BDA00023641391500000925
在测试集/>
Figure BDA00023641391500000926
上以单链多目标预测方法获得视觉印刷机纠偏位姿X、Y和θ的预测值/>
Figure BDA00023641391500000928
和/>
Figure BDA00023641391500000927
4)由步骤3)中的多目标回归链的视觉印刷机纠偏位姿预测单链模型,建立集成多目标回归链的视觉印刷机纠偏位姿预测模型XGB-ERC,具体如下:
4.1)生成多条随机回归链,形成多目标回归链矩阵;
4.2)对每一条回归链,分别建立多目标预测模型,即基模型XGBoost1、XGBoost2和XGBoost3;
4.3)对所有回归链,通过计算多目标的平均值建立集成多目标回归链的视觉印刷机纠偏位姿预测模型XGB-ERC。
5)由步骤2)中切分的测试集
Figure BDA00023641391500000929
对步骤4)建立的集成多目标回归链的视觉印刷机纠偏位姿预测模型XGB-ERC进行评估,对全自动视觉印刷机的纠偏
位姿X、Y和θ进行预测,将预测的纠偏位姿
Figure BDA00023641391500000930
和/>
Figure BDA00023641391500000931
与实际纠偏位姿X、Y和θ进行误差计算,误差采用绝对百分比误差MAPE、平均绝对误差MAE和均方根误差RSME作为评估指标,将预测的纠偏位姿/>
Figure BDA0002364139150000106
和/>
Figure BDA0002364139150000107
进行去归一化,进行预测数据输出:
Figure BDA0002364139150000101
Figure BDA0002364139150000102
Figure BDA0002364139150000103
式中,yi为实际纠偏位姿值,
Figure BDA0002364139150000108
为模型预测的纠偏位姿值,n为样本数量;两个模型的效果如下表2、3所示:
表2-XGBoost单目标预测
Figure BDA0002364139150000104
表3-XGB-ERC多目标预测
Figure BDA0002364139150000105
图2至图4分别表示XGB-ERC模型与XGBoost模型对视觉印刷机的纠偏位姿X、Y和θ偏差,可以看出,XGB-ERC结果更接近纠偏位姿X、Y、θ。同时表2、表3展示了两个模型分别在测试集与数据上的表现,可以看出XGB-ERC模型效果更好,泛化能力更强。
通过对模型效果进行评估,可以得到视觉印刷机在纠偏后的位姿误差,从而可通过视觉印刷机位姿误差与纠偏电机输入之间的关系,获得输入补偿量,进一步提高视觉印刷机的精度与稳定性。
综上所述,在采用以上方案后,本发明为视觉印刷机纠偏定位提供了新的方法,不仅采用了历史数据,同时利用了诗句印刷机纠偏位姿的相关关系进行纠偏误差多目标预测,与简单的用XGBoost模型进行X、Y和θ纠偏位姿单目标预测,模型效果进一步提升。将视觉印刷机纠偏误差预测,进而对其纠偏加以补偿作为视觉印刷机纠偏的一种有效手段,未来能够有效提高视觉印刷机的精度和稳定性,有利于表面贴装技术的发展,具有实际应用价值,值得推广。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。

Claims (3)

1.基于集成多目标回归链的视觉印刷机纠偏位姿预测方法,其特征在于,包括以下步骤:
1)获取视觉印刷机纠偏过程中的历史数据,即样本数据;
2)对样本数据进行预处理,切分训练集
Figure FDA0004093980600000011
和测试集/>
Figure FDA0004093980600000012
3)利用训练集建立多目标回归链的视觉印刷机纠偏位姿单链预测模型;
4)由步骤3)中的多目标回归链的视觉印刷机纠偏位姿单链预测模型,建立集成多目标回归链的视觉印刷机纠偏位姿预测模型XGB-ERC,具体如下:
4.1)生成多条随机回归链,形成多目标回归链矩阵;
4.2)对每一条回归链,分别建立多目标预测模型,即基模型XGBoost1、XGBoost2和XGBoost3;
4.3)对所有回归链,通过计算多目标的平均值建立集成多目标回归链的视觉印刷机纠偏位姿预测模型XGB-ERC;
5)根据测试集对集成多目标回归链的视觉印刷机纠偏位姿预测模型进行误差评估,具体如下:
由步骤2)中切分的测试集
Figure FDA0004093980600000013
对步骤4)建立的集成多目标回归链的视觉印刷机纠偏位姿预测模型XGB-ERC进行评估,对全自动视觉印刷机的纠偏位姿X、Y和θ进行预测,其中X为纠偏后的横向位姿,Y为纠偏后的纵向位姿,θ为纠偏后的角度位姿,将预测的纠偏位姿
Figure FDA0004093980600000014
和/>
Figure FDA0004093980600000015
与实际纠偏位姿X、Y和θ进行误差计算,误差采用绝对百分比误差MAPE、平均绝对误差MAE和均方根误差RSME作为评估指标,将预测的纠偏位姿/>
Figure FDA0004093980600000016
和/>
Figure FDA0004093980600000017
进行去归一化,进行预测数据输出:
Figure FDA0004093980600000021
Figure FDA0004093980600000022
Figure FDA0004093980600000023
式中,yi为实际纠偏位姿值,
Figure FDA0004093980600000024
为模型预测的纠偏位姿值,n为样本数量;
通过对模型效果进行评估,能够得到PCB在视觉印刷机纠偏后的位姿,从而通过视觉印刷机位姿误差与纠偏电机输入之间的关系,获得输入补偿量,进一步提高视觉印刷机的精度与稳定性。
2.根据权利要求1所述的基于集成多目标回归链的视觉印刷机纠偏位姿预测方法,其特征在于:在步骤1)中,所述视觉印刷机纠偏过程中的历史数据是指视觉印刷机纠偏过程中获取的纠偏位姿信息数据,包括PCB进板位置信息、位姿、PCB纠偏理论的电机纠偏输入、纠偏前位置精度、纠偏后位姿;其中,纠偏后位姿为多目标,位姿表示为PCB相对模板的位置,包括X、Y和θ,X为纠偏后的横向位姿,Y为纠偏后的纵向位姿,θ为纠偏后的角度位姿。
3.根据权利要求1所述的基于集成多目标回归链的视觉印刷机纠偏位姿预测方法,其特征在于:在步骤2)中,对样本数据进行预处理,切分训练集
Figure FDA0004093980600000025
和测试集/>
Figure FDA0004093980600000026
包括以下步骤:
2.1)对样本数据进行归一化处理,采用min-max标准化公式:
Figure FDA0004093980600000027
式中,其中
Figure FDA0004093980600000028
是归一化后的视觉印刷机纠偏工作过程中采集的样本数据,其中max为样本数据特征的最大值,min为样本数据特征的最大值,/>
Figure FDA0004093980600000029
为单个样本,包括多维特征;
2.2)对归一化后的样本数据进行切分,切分为训练集
Figure FDA00040939806000000210
和测试集/>
Figure FDA00040939806000000211
对训练集/>
Figure FDA0004093980600000031
再根据样本目标数量进行切分,由于视觉印刷机纠偏位姿为3目标,包括X、Y和θ,X为纠偏后横向的位姿、Y为纠偏后纵向的位姿、θ为纠偏后的角度位姿,因而对训练集/>
Figure FDA0004093980600000032
分成3份:/>
Figure FDA0004093980600000033
和/>
Figure FDA0004093980600000034
在步骤3)中,所述多目标回归链的视觉印刷机纠偏位姿单链预测模型以XGBoost为基学习器进行多目标预测建模,包括以下步骤:
3.1)根据单条回归链确定视觉印刷机纠偏位姿的建模顺序,若回归链为[0,1,2],则多目标建模顺序为[X,Y,θ],若回归链为[1,2,0],则多目标建模顺序为[Y,θ,X];
3.2)采用回归链顺序为[0,1,2],确定多目标建模顺序为[X,Y,θ],以XGBoost为基学习器进行建模;
3.3)根据步骤2.2)中切分的训练集
Figure FDA0004093980600000035
选用训练集中样本/>
Figure FDA0004093980600000036
为输入,横向位姿X为目标建立基模型XGBoost1;
3.4)通过网格搜索方法,选择基模型XGBoost1参数,其中包括树模型最大深度max_depth、最小叶子节点权重min_child_weight、树的惩罚系数gamma、样本采样数subsample、特征采样数colsample_bytree、学习率eta、基学习器的个数num_boost_round,通过模型效果选取最优的参数组合,基模型损失函数采用绝对百分比误差MAPE;
3.5)根据步骤2.2)中切分的训练集
Figure FDA0004093980600000037
选用训练集中样本/>
Figure FDA0004093980600000038
为输入,以基模型XGBoost1预测/>
Figure FDA0004093980600000039
其中/>
Figure FDA00040939806000000310
为基模型XGBoost1在训练集/>
Figure FDA00040939806000000311
上关于横向位姿X的预测值,并以
Figure FDA00040939806000000312
和/>
Figure FDA00040939806000000313
为输入,纵向位姿Y为目标建立基模型XGBoost2,其参数调优和损失函数与基模型XGBoost1建立过程相同;
3.6)根据步骤2.2)中切分的训练集
Figure FDA00040939806000000314
选用训练集中样本/>
Figure FDA00040939806000000315
为输入,以基模型XGBoost1预测横向位姿/>
Figure FDA0004093980600000041
其中/>
Figure FDA0004093980600000042
为基模型XGBoost1在训练集/>
Figure FDA0004093980600000043
上关于横向位姿X的预测值,并以/>
Figure FDA0004093980600000044
为输入,以基模型XGBoost2预测纵向位姿/>
Figure FDA0004093980600000045
其中/>
Figure FDA0004093980600000046
为基模型XGBoost2在训练集/>
Figure FDA0004093980600000047
上关于纵向位姿Y的预测值;再以/>
Figure FDA0004093980600000048
和/>
Figure FDA0004093980600000049
为输入,角度位姿θ为目标建立基模型XGBoost3,其参数调优和损失函数与基模型XGBoost1建立过程相同,能够通过测试集/>
Figure FDA00040939806000000410
获得;
3.7)最后,根据步骤2.2)中切分的测试集
Figure FDA00040939806000000411
作为输入,以基模型XGBoost1预测横向位姿/>
Figure FDA00040939806000000412
其中/>
Figure FDA00040939806000000413
为基模型XGBoost1在训练集/>
Figure FDA00040939806000000414
上关于横向位姿X的预测值,并以/>
Figure FDA00040939806000000415
Figure FDA00040939806000000416
为输入,以基模型XGBoost2预测纵向位姿/>
Figure FDA00040939806000000417
其中/>
Figure FDA00040939806000000418
为基模型XGBoost2在训练集/>
Figure FDA00040939806000000419
上关于纵向位姿Y的预测值;再以/>
Figure FDA00040939806000000420
Figure FDA00040939806000000421
和/>
Figure FDA00040939806000000422
为输入,以基模型XGBoost3预测角度位姿/>
Figure FDA00040939806000000423
在测试集/>
Figure FDA00040939806000000424
上以单链多目标预测方法获得视觉印刷机纠偏位姿X、Y和θ的预测值/>
Figure FDA00040939806000000425
和/>
Figure FDA00040939806000000426
CN202010030537.8A 2020-01-13 2020-01-13 基于集成多目标回归链的视觉印刷机纠偏位姿预测方法 Active CN111243013B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010030537.8A CN111243013B (zh) 2020-01-13 2020-01-13 基于集成多目标回归链的视觉印刷机纠偏位姿预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010030537.8A CN111243013B (zh) 2020-01-13 2020-01-13 基于集成多目标回归链的视觉印刷机纠偏位姿预测方法

Publications (2)

Publication Number Publication Date
CN111243013A CN111243013A (zh) 2020-06-05
CN111243013B true CN111243013B (zh) 2023-06-16

Family

ID=70872554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010030537.8A Active CN111243013B (zh) 2020-01-13 2020-01-13 基于集成多目标回归链的视觉印刷机纠偏位姿预测方法

Country Status (1)

Country Link
CN (1) CN111243013B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184562B (zh) * 2020-09-25 2024-02-23 合肥工业大学 一种基于近似矩阵的火箭级段位姿纠偏方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10061300B1 (en) * 2017-09-29 2018-08-28 Xometry, Inc. Methods and apparatus for machine learning predictions and multi-objective optimization of manufacturing processes
CN110385720A (zh) * 2019-07-26 2019-10-29 南京航空航天大学 一种基于深度神经网络的机器人定位误差补偿方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10061300B1 (en) * 2017-09-29 2018-08-28 Xometry, Inc. Methods and apparatus for machine learning predictions and multi-objective optimization of manufacturing processes
CN110385720A (zh) * 2019-07-26 2019-10-29 南京航空航天大学 一种基于深度神经网络的机器人定位误差补偿方法

Also Published As

Publication number Publication date
CN111243013A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN110992317B (zh) 一种基于语义分割的pcb板缺陷检测方法
CN109597968B (zh) 基于smt大数据的锡膏印刷性能影响因素分析方法
CN109583504B (zh) 一种基于视觉的pcb板圆形定位孔快速准确识别方法
CN112729112B (zh) 基于机器人视觉的发动机缸体孔径与孔位检测方法
CN111243013B (zh) 基于集成多目标回归链的视觉印刷机纠偏位姿预测方法
CN108882550A (zh) 一种提高pcba制造aoi良率的方法
CN106373124A (zh) 基于灰度共生矩阵与ransac的工业产品表面缺陷视觉检测方法
US20220398714A1 (en) Printing Solder Point Quality Identification And Maintenance Suggestion System And Method Thereof
CN113409250A (zh) 一种基于卷积神经网络的焊点检测方法
Bai et al. Corner point-based coarse–fine method for surface-mount component positioning
CN116152244A (zh) 一种smt缺陷检测方法、系统
CN112888173A (zh) 一种pcb板的加工成型工艺
CN116258682A (zh) 基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法
CN112232352A (zh) 一种智能识别pcb图纸自动计价系统和方法
WO2021109050A1 (zh) 基于粒子群优化的smt焊点质量控制方法及系统
CN114375107A (zh) Smt产线锡膏印刷非结构化影响因素重构方法、装置及设备
CN112102242A (zh) 一种基于轻量级网络的pcb元器件检测方法
CN112907562A (zh) 一种基于MobileNet的SMT缺陷分类算法
CN113205511A (zh) 基于深层神经网络的电子元器件批量信息检测方法及系统
CN114092448B (zh) 一种基于深度学习的插件电解电容混合检测方法
CN206864487U (zh) 一种太阳能电池片高速视觉定位及矫正系统
CN115099160A (zh) 基于特征重构和猫群算法的smt工艺参数优化方法
CN113177563B (zh) 融合cma-es算法及贯序极限学习机的贴片后异常检测方法
CN115194323A (zh) 一种激光焊接机的定位焊接方法
CN113989793A (zh) 一种石墨电极钢印文字识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant