基于SVM-DDA改進RBF網絡的LED焊點檢測方法

　　摘要：為了提高LED燈帶生產中焊點類型被自動地識別的精度，提出了基于SVM-DDA的改進RBF網絡的檢測方法。它首先使用動態衰減算法(DDA)確定SVM的結構及參數，然后利用SVM與RBF網絡的近似性，根據SVM確定RBF網絡的結構及初始化參數。實驗結果表明，該方法減少了訓練的迭代次數，提高了焊點識別的準確率，并且對于樣本較少的類別也有較理想的分類結果。

　　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一般是串聯的，在生產的過程中往往因為某顆LED存在焊接問題，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足生產質量和速度的需求。為了適應生產的需求，基于視覺的自動光學檢測(AOI)技術被引入到LED焊點質量檢測中。

　　RBF神經網絡是一種前饋性神經網絡，具有最佳逼近性能，學習能力強，收斂適度快，已經成功應用于多種模式識別領域。支持向量機比傳統基于聚類方法找出中心和通過誤差反向傳播算法找出權重的方法具有更優的性能，且支持向量機可以解決小樣本分類的問題[3]。動態衰減調整(Dynamic Decay Adjustment，DDA)[4]是指網絡結構可以在訓練過程中動態地調整，使其具有最優化結構。本文提出一種基于SVM-DDA的改進RBF網絡的焊點檢測算法。首先采用動態衰減調整(DDA)來訓練SVM以確定RBF網絡結構及優化其初始參數;然后通過實驗選擇LED的焊點特征;最后使用建立的RBF神經網絡對LED焊點進行分類識別。　　

　　基于SVM-DDA的改進RBF神經網絡

　　RBF與SVM的結構等價性分析

　　典型RBF神經網絡的拓撲結構如圖1(a)所示，網絡輸出如式(1)所示： 
         　(1)

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

　　對比RBF與SVM的網絡結構以及式(1)與式(2)可以發現，二者的徑向基函數的中心和寬度等參數一一對應，網絡輸出都是隱含層節點輸出的線性加權和。也證明了基于徑向基核函數的SVM與三層RBF神經網絡的結構具有等價性，在函數近似時可以互相轉化。