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 以交叉概率随机选择两个染色体 (V1,V2) ，通过下面的算

法交叉计算得到新的染色体 (V1’,V2’);S1. 从 VI 中随机选择一个聚类；S2. 在 V2 中搜索上一步中选择的 V1聚类，直到所有包含

相同检测窗的聚类被找到。选择找到的聚类；S3. 在 V1中搜索上一步中找到的聚类的检测窗，直到 V1

所有相同检测窗被找到。然后选择 V1中找到的聚类；S4.重复 S2-S3知道两组染色体中选择的检测窗一致；S5.交换 V1和 V2 中的所选择的聚类，产生新的染色体组 V1’和 V2’。

B.变异算子 以突变概率随机选择一个染色体 V1. 然后，通过随机改变

遗传因子的方法生成新的染色体 V1’。方法如下：S1. 从 V1 随机选择一个聚类；S2. 检查选择聚类中的检测窗是否可以移动到别的聚类。如果

可能，移动该检测窗到合适的聚类，从而生成新的染色体 V1’;

C．顺序算子顺序算子对由交叉算子和变异算子改变遗传基因的染色体进行计算，生成新的次序。这种算子是对染色体 V1的一元操作：

S1 设定 V1中的第一个聚类作为初始聚类，把该聚类加入次序队列上；

S2 查找离当前聚类最近的聚类，只要该聚类不在次序队列中；把找到的聚类设为当前聚类，并加入次序队列中；

S3 重复 S2-S3知道所有的区域都位于次序队列中；S4 从队列中选择一对聚类，改变次序如果总的处理时间能

够减少；S5 重复 S4 直到队列中所有的聚类都被选择；S6 根据新的队列次序生成一个新的染色体 V1’；

5. 仿真结果