基于SVM-DDA改進(jìn)RBF網(wǎng)絡(luò )的LED焊點(diǎn)檢測方法

　　摘要：為了提高LED燈帶生產(chǎn)中焊點(diǎn)類(lèi)型被自動(dòng)地識別的精度，提出了基于SVM-DDA的改進(jìn)RBF網(wǎng)絡(luò )的檢測方法。它首先使用動(dòng)態(tài)衰減算法(DDA)確定SVM的結構及參數，然后利用SVM與RBF網(wǎng)絡(luò )的近似性，根據SVM確定RBF網(wǎng)絡(luò )的結構及初始化參數。實(shí)驗結果表明，該方法減少了訓練的迭代次數，提高了焊點(diǎn)識別的準確率，并且對于樣本較少的類(lèi)別也有較理想的分類(lèi)結果。

　　引言

　　LED燈帶是指把LED組裝在帶狀的FPC(柔性線(xiàn)路板)或PCB硬板上。LED燈帶上的LED一般是串聯(lián)的，在生產(chǎn)的過(guò)程中往往因為某顆LED存在焊接問(wèn)題，導致整條燈帶不能正常工作，而人工檢測的傳統方法難以滿(mǎn)足生產(chǎn)質(zhì)量和速度的需求。為了適應生產(chǎn)的需求，基于視覺(jué)的自動(dòng)光學(xué)檢測(AOI)技術(shù)被引入到LED焊點(diǎn)質(zhì)量檢測中。

　　RBF神經(jīng)網(wǎng)絡(luò )是一種前饋性神經(jīng)網(wǎng)絡(luò )，具有最佳逼近性能，學(xué)習能力強，收斂適度快，已經(jīng)成功應用于多種模式識別領(lǐng)域。支持向量機比傳統基于聚類(lèi)方法找出中心和通過(guò)誤差反向傳播算法找出權重的方法具有更優(yōu)的性能，且支持向量機可以解決小樣本分類(lèi)的問(wèn)題[3]。動(dòng)態(tài)衰減調整(Dynamic Decay Adjustment，DDA)[4]是指網(wǎng)絡(luò )結構可以在訓練過(guò)程中動(dòng)態(tài)地調整，使其具有最優(yōu)化結構。本文提出一種基于SVM-DDA的改進(jìn)RBF網(wǎng)絡(luò )的焊點(diǎn)檢測算法。首先采用動(dòng)態(tài)衰減調整(DDA)來(lái)訓練SVM以確定RBF網(wǎng)絡(luò )結構及優(yōu)化其初始參數;然后通過(guò)實(shí)驗選擇LED的焊點(diǎn)特征;最后使用建立的RBF神經(jīng)網(wǎng)絡(luò )對LED焊點(diǎn)進(jìn)行分類(lèi)識別?！　?/p>

　　基于SVM-DDA的改進(jìn)RBF神經(jīng)網(wǎng)絡(luò )

　　RBF與SVM的結構等價(jià)性分析

　　典型RBF神經(jīng)網(wǎng)絡(luò )的拓撲結構如圖1(a)所示，網(wǎng)絡(luò )輸出如式(1)所示： 
         　(1)

　　典型的SVM網(wǎng)絡(luò )結構如圖1(b)如所示，當SVM網(wǎng)絡(luò )采用徑向基核函數作為激活函數時(shí)，其表達式如式(2)所示。
        　(2)

　　對比RBF與SVM的網(wǎng)絡(luò )結構以及式(1)與式(2)可以發(fā)現，二者的徑向基函數的中心和寬度等參數一一對應，網(wǎng)絡(luò )輸出都是隱含層節點(diǎn)輸出的線(xiàn)性加權和。也證明了基于徑向基核函數的SVM與三層RBF神經(jīng)網(wǎng)絡(luò )的結構具有等價(jià)性，在函數近似時(shí)可以互相轉化。