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)類型被自動地識別的精度，提出了基于SVM-DDA的改進(jìn)RBF網(wǎng)絡(luò)的檢測方法。它首先使用動態(tài)衰減算法(DDA)確定SVM的結(jié)構(gòu)及參數(shù)，然后利用SVM與RBF網(wǎng)絡(luò)的近似性，根據(jù)SVM確定RBF網(wǎng)絡(luò)的結(jié)構(gòu)及初始化參數(shù)。實(shí)驗(yàn)結(jié)果表明，該方法減少了訓(xùn)練的迭代次數(shù)，提高了焊點(diǎn)識別的準(zhǔn)確率，并且對于樣本較少的類別也有較理想的分類結(jié)果。

　　引言

　　LED燈帶是指把LED組裝在帶狀的FPC(柔性線路板)或PCB硬板上。LED燈帶上的LED一般是串聯(lián)的，在生產(chǎn)的過程中往往因?yàn)槟愁wLED存在焊接問題，導(dǎo)致整條燈帶不能正常工作，而人工檢測的傳統(tǒng)方法難以滿足生產(chǎn)質(zhì)量和速度的需求。為了適應(yīng)生產(chǎn)的需求，基于視覺的自動光學(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(xí)能力強(qiáng)，收斂適度快，已經(jīng)成功應(yīng)用于多種模式識別領(lǐng)域。支持向量機(jī)比傳統(tǒng)基于聚類方法找出中心和通過誤差反向傳播算法找出權(quán)重的方法具有更優(yōu)的性能，且支持向量機(jī)可以解決小樣本分類的問題[3]。動態(tài)衰減調(diào)整(Dynamic Decay Adjustment，DDA)[4]是指網(wǎng)絡(luò)結(jié)構(gòu)可以在訓(xùn)練過程中動態(tài)地調(diào)整，使其具有最優(yōu)化結(jié)構(gòu)。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。首先采用動態(tài)衰減調(diào)整(DDA)來訓(xùn)練SVM以確定RBF網(wǎng)絡(luò)結(jié)構(gòu)及優(yōu)化其初始參數(shù);然后通過實(shí)驗(yàn)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)行分類識別?！　?/p>

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

　　RBF與SVM的結(jié)構(gòu)等價(jià)性分析

　　典型RBF神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)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(jié)構(gòu)如圖1(b)如所示，當(dāng)SVM網(wǎng)絡(luò)采用徑向基核函數(shù)作為激活函數(shù)時(shí)，其表達(dá)式如式(2)所示。
        　(2)

　　對比RBF與SVM的網(wǎng)絡(luò)結(jié)構(gòu)以及式(1)與式(2)可以發(fā)現(xiàn)，二者的徑向基函數(shù)的中心和寬度等參數(shù)一一對應(yīng)，網(wǎng)絡(luò)輸出都是隱含層節(jié)點(diǎn)輸出的線性加權(quán)和。也證明了基于徑向基核函數(shù)的SVM與三層RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)具有等價(jià)性，在函數(shù)近似時(shí)可以互相轉(zhuǎn)化。