Image Registration of Printed Circuit Boards using ….pptVIP

Image Registration of Printed Circuit Boards using Hybrid Genetic Algorithm 路径规划，最优化，遗传算法，AOI，PCB检测 I. INTRODUCTION It is very unlikely that GA alone will outperform a specialized scheme tailored to a problem. Most successful applications of GAs have been hybrids [8]. Combination of hill-climbing and elitism usually performs better than either one alone. This happens because there is a possibility of incorporating domain knowledge, which gives it an advantage over a pure blind searcher (i.e GA). 对于一个问题，想单独通过GA算法得出一个好的结果几乎是不可能的。GA算法但多所成功的应用都是与其他算法混合使用的。爬山算法与精英选拔法的结合，比起其单独运算时候的性能更好。两种算法的结合，提供了在时域上结合的可能性，比起仅仅依靠纯粹上的搜索(例如GA)更有优势。 In the following section, we explain how hill-climbing and elitism are implemented with the existing GA. Then, the experimental setup is described in detail followed by results on fitness and generation evaluation for reliability test for each investigated method. The performance of each method and accuracy of Transformation parameter estimation by the best method are also presented in results and discussion section. Finally, we conclude the work based on the simulation findings. 在第二节，我们会解释如何将爬山算法(HC)、精英选拔法 (elitism, E)与遗传算法相结合。接着在第三节，我们将详细介绍 实验步骤，以及对每种调查方法在适应度和进化代数方面做合 理的测试。第四节，我们将讨论算法的性能和给出变换参数估 算的结果。最后，在仿真的基础上总结我们的工作。 II. IMPLEMENTATION 在本文中，采用PCB模板作为参考(reference)图像，带检测 的PCB板作为测试(test)图像。GA算法用于配准的时候，按照如 文献[9]中的策略，在test图像和reference图像之间估算变化参数。 在本文中，利用实数对问题中的参数变化范围进行编码。旋 转角度为0到359度，x轴和y轴的变化范围为-10pixels至10pixels。 当描述一个图像变换的时候，一个个体代表所有变换参数的集 合。变换参数的范围是360×21×21=158760，适合用GA算法进 行搜索。 假设test图像和reference图像具有同样的规格。文中的适应 度函数，通过test图像和refiernce图像间每个像素的相似值与 refernce图像的总像素值相除获得。适应度值大小范围为0到1.0。 适应度值定义如下： 在执行GA搜索之前，对每幅图像进行固定的全局多阈值操作，以 增强图像和提取特征。其中阈值的选取基于目测法。通过对refernce 图像进行随机的旋转和平移操作，以产生GA算法的初始种群。把每幅 reference图像与test图像进行比较，以产生适应度值和包含旋转和 X-Y轴平移信息的个体值。在本文中，因为光照系统的焦点往往在 PCB板的中心部分，因此每块PCB板中心40×40pixels部分可以看 成是无故障的以及非测量盲区。因此在本文中，这块中心区域可以不 用于比较计算，从而减少计算量和减少计算时间。 算法通过从当前的父代和子代中选取个体，以形成下一代的种群。 这些个体根据适应度值进行分类，最高适应度值的个体被选为下一代 的种群。在每