PathPlanningofAutomaticOpticalInspection.pptVIP

Path Planning of Automatic Optical Inspection Machines for PCBAssembly Systems PCB缺陷自动光学检测系统中路径规划策略的研究 Tae-Hyoung Park, Hwa-Jung Kim 摘要： 提出了一种路径规划算法，运用在PCB(印刷电路板)装配线AOI(自动光学检测)平台上，以提高机器的效率。在考虑摄像机的FOV(field-of-view)前提下，为了最小化总体的工作时间，检测窗和摄像机的检测次序应该最优化。本文提出了一种新方法，应用一种混合的遗传算法来解决这个高度复杂的最优化问题，同时实现检测窗和检测路径的最优化。通过仿真比较，证明算法的有效性。 2 路径规划问题 图2所示为由移动平台和相机组成的AOI机器。移动平台在Y轴方向移动，摄像机在X轴方向上移动。X方向和Y方向上能同时移动。因为摄像机的视野受其自身限制，因此摄像机通过需要移动来获得整体的图像。 图3所示为检测窗、摄像机的视野和摄像机的移动路径。检测窗是摄像机需要访问的长方形的区域，每个区域都包含许多元件和焊盘。一块PCB板中往往被划分为成百的检测窗区域。FOV是一台摄像机一次照相能够达到的最大摄像范围。因此摄像机的视野往往是固定的，大约在几十毫米。检测聚类是能够被在摄像机FOV范围内的一系列检测窗。检测聚类的大小受摄像机的视野限制。摄像机从图3的等待点开始，然后访问每个检测聚类以获得图像数据。摄像机的路径就是检测聚类的访问路径。 待检测元件集合的数量就是摄像机拍照的次数，因此，如果我们减少集合的数量，就可以减少AOI机器图像获取的时间。另外，总的工作时间还包括摄像机在各个检测窗之间的移动时间。因此，检测窗数量和检测路径都需要实现最优化来减少总体的处理时间。AOI中的路径规划问题，就是如何决定元件集合数量和检测路径的问题。 3. 分步的方法 我们把路径规划问题分为两个子问题：检测聚类问题和检测路径问题。检测聚类问题就是求解检测窗的不同组合，使得聚类数量最小化；检测路径问题就是求解使得检测路径最短的访问次序。 检测路径问题可以看成是典型的TSP问题，因此我们能够用著名的TSP算法[6][7]来解决。等待点为摄像机开始点和结束点，计算目标为移动时间，可以由X轴和Y轴的移动轨迹计算得出。 传统的聚类问题[4]是为了求解检测窗聚类，使检测窗和中心检测聚类的距离最小。检测集合的大小并不受限制。但是，在本课题中，检测聚类的大小是受摄像机的FOV限制的。并且检测窗的数量是不定的，目的就是使其最少化。因此，用传统的聚类算法来解决检测窗问题非常困难。 A 单链接聚类算法 单链接算法[4][8]是标准聚类算法之一。该算法从许多初始聚类开始，重复的计算直到集合的数量达到一个固定值。该算法非常容易实现，只需要很小的计算量。但是，结果的好坏受检测窗口的分配影响很大。应用单链接算法来解决我们的问题，摄像机的FOV应该考虑。算法如下： S1.通过设定每个检测窗口为一个集合来生成初始聚类； S2.对于每个聚类，查找邻近的聚类，计算能不能够合并在一起。如果新生成的聚类的范围在摄像机的FOV内，合并这两个聚类； S3.重复S2知道不再有合并。 B.ISODATA 聚类算法 ISODATA(iterative self-organizing data analysis)算法是标准聚类算法中最受欢迎的算法。这种算法由K-聚类算法中改进，算法中的K聚类并不是固定的。ISODATA算法通过反复的合并和分离，使得算法更有效。算法的结果决定于初始聚类。为了解决我们的检测窗问题，对ISODATA算法改进如下： S1.通过把PCB板划分为不同的矩形区域，每个区域作为一个初始聚类。网格的大小和摄像机的FOV一致。 S2.删掉没有检测目标的聚类。 S3.对于每个聚类，应该尽可能多的包含检测窗； S4.如果一些检测窗不再任何聚类内，为这些检测窗增加新聚类。 S5.对于每个聚类，尝试合并附近的聚类。如果合并后的聚类范围不超过FOV，合并这两个聚类。 S6.重复S3-S5直至不再有任何变化。 4.一元化方法 分布式的方法通过两步来解决路径规划问题。但是，这两个问题是相关的，是相互关联的。因此我们尝试用同一方法同时解决这两个问题。 遗传算法被广泛应用于解决复杂的优化问题。遗传算法能够避免计算陷于局部解，从而实现全局解。但是，解的收敛计算可能会花很大时间，这取决于问题的规模和参数。一些研究者已经实现用遗传算法解决聚类问题[11][12]和TSP[13][14]。 A交叉算子