-
公式(29)是一个高维优化问题,存在多个局部极小点,因此可采用全局优化算法进行求解。樽海鞘算法源于对樽海鞘群捕食行为的研究。在捕食过程中,领导者朝着食物移动并且指导紧随其后的追随者的移动,每一个追随者的移动只受前一个樽海鞘影响。这样的运动模式使得樽海鞘链有较强的全局搜索和局部探索能力。但原始樽海鞘算法存在种群多样性不足且在迭代后期不易精确寻优等问题[15]。
原始樽海鞘算法应用于光源照度效果评价函数寻优过程的实现步骤如下:
步骤1:初始化阶段确定种群数量
$ N $ ,搜索维度数$ D $ ,最大迭代次数$ MAX $ ,每一维数据的上边界和下边界$ UB $ 和$ LB $ ,并初始化每一个单元每一维的信息,其中第$ m $ 个单元的第$ n $ 维位置信息记为$ X_m^n $ ;步骤2:计算每一个单元适应度
$ {Y_m} $ ,按从小到大排列,前50%定为领导者,后50%定为追随者,并将历史最优单元的位置定为食物的位置$ F $ ;步骤3:更新
${C_1}$ 、${C_2}$ 、${C_3}$ ,如公式(30)、(31)所示,其中${C_2}$ 、${C_3}$ 为0~1之间的随机数,$ t $ 为当前迭代步数,更新步长${\rm{d}}v$ ,如公式(32)所示:步骤4:根据
${C_3}$ 的大小,由公式(33)更新领导者的位置信息;步骤5:由公式(34)更新追随者位置信息;
步骤6:若迭代步数大于
$ MAX $ 则结束迭代,否则重回步骤2;步骤7:输出历史最优位置
$ F $ 对应的位姿参数$({\theta }_{1},{\theta }_{2},{\rm{d}}{x}_{2},{\rm{d}}{{\textit{z}}}_{2})$ 。原始樽海鞘算法流程图如图7所示。
-
针对传统樽海鞘算法存在的早熟、易陷入局部最优点等问题,文中提出一种改进的樽海鞘算法,通过改进算法收敛系数、速度、领导者与追随者等更新策略,增强搜索区域的多样性。具体改进从以下3个方面展开:
(1)针对原始算法同一次迭代中每一个单元
${C_1}$ 的数值、趋向的目标相同、搜索区域较少等问题,文中将${C_1}$ 的更新公式改进为$ {sigmoid} $ 函数类型,如公式(35)所示,其中${C_0}$ 为初始值,一般设为0.9,使其在每次迭代中每一个单元位置更新完成后均能有效更新一次,增加搜索区域的多样性。设置调速因子$ s $ 控制其变化的速度,如公式(36)所示,使其在初始阶段保持高权值,并在一定迭代次数后快速减小。(2)为使算法能跳出局部最优点,在位置更新公式上,弱化食物点
$ F $ 的重要性,并加入对当前迭代步中的个体最优值${X_{{\rm{best}}}}$ 信息的参考,增加算法的活性。并在位置变化信息中随机选取一维,将其变化量缩减为原先的10%,如选取第$ \sigma $ 维参数,使变化方向由原先的正向变为伪正切方向,如公式(37)所示,加大搜索范围,其中$ \sigma $ 为$ {\text{[1,}}n{\text{]}} $ 范围内的随机正整数。改进的位置更新公式如公式(38)所示,其中${C_4}$ 为惰性因子,致使算法收敛;${C_5}$ 为活性因子,提高算法跳出局部最优点的能力。经多次实验验证,取${C_5}$ 为0.9,${C_4}$ 为0.1时可有效增强算法活性。(3)为了使领导者的信息尽可能多的传给追随者,将追随者位置变化公式的适用范围由原先的后50%扩展为除第一个单元外的所有单元。
-
将改进樽海鞘算法(Improved Salp Swarm Algorithm,ISSA)应用于光源照度效果评价函数寻优过程的具体实现如下:
(1)初始化:包括位姿参数
$ {X_m} $ 及其上下界UB、LB,函数评价值f,单元个数N及每个单元的维数D,最大迭代次数MAX,历史最优评价值$ {Y_{{\text{gbest}}}} $ 及其对应的历史最优位姿参数F;(2) While 迭代次数t<MAX do
(3) 将本轮迭代中每一个元素按评价函数值从小到大排序,第一个单元为领导者,后50%为追随者,其余单元既是领导者又是追随者;
(4) 更新历史最优评价值
$ F $ 及其对应的位姿参数(${\theta _{1 {\rm{gbest}}}}$ ,$ {\theta _{2{\text{gbest}}}} $ ,${\rm{d}}{x_{2{{\rm{gbest}}} }}$ ,${\rm{d}}{{\textit{z}}_{{\text{2}}{{\rm{gbest}}} }}$ );(5) 按公式(35)更新
${C_1}$ ,按公式(31)更新${C_2}$ 、${C_3}$ ;(6) 按公式(32)、(37)计算寻优方向
${\rm{d}}\hat v$ ;(7) 按公式(38)更新领导者位置;
(8) 按公式(34)更新追随者位置;
(9) 按公式(28)计算各单元的函数评价值;
(10)
$ t = t{\text{ + 1}} $ ;(11) End while
(12)输出当前最优的位姿参数(
${\theta _{1 {\rm{gbest}}}}$ ,$ {\theta _{2{\text{gbest}}}} $ ,${\rm{d}}{x_{{\text{2 gbest}}}}$ ,${\rm{d}}{{\textit{z}}_{{\text{2 gbest}}}}$ )作为最终优化结果。其中各参数初始值设置如表1所示。
Population size
NSearch dimension
DMax iteration
MaxInertia factor
C4Active factor
C580 4 700 0.1 0.9 Table 1. Initialization parameters of ISSA
基于2.6 GHz CPU、16 GB内存与MATLAB R2018 b开发环境,将文中提出改进樽海鞘算法与粒子群优化、模拟退火、原始樽海鞘算法进行照度效果评价函数的寻优对比,获得各算法收敛对比结果如图8所示。在寻优精度方面,文中提出的改进樽海鞘最优评价函数值为
${f_{{\text{ISSA}}}} = - 1 \;261$ ,原始樽海鞘算法最优评价函数值为$ {f_{{\text{SSA}}}} = - 517.3 $ ,粒子群算法最优评价函数值为$ {f_{{\text{PSO}}}} = - 1\;259 $ ,模拟退火法最优评价函数值为$ {f_{{\text{SA}}}} = $ $ - 55.21 $ ,可以看出改进樽海鞘算法可获得相对最小评价函数值;在收敛性能方面,粒子群算法收敛速度最快,但在迭代291次后陷入局部最优;模拟退火法在迭代537次后能够跳出局部最优,但寻优结果与最佳结果之间存在较大差距;原始樽海鞘算法寻优能力较强,但在迭代310次后陷入局部最优;而改进的樽海鞘算法不仅继承了原始樽海鞘的寻优能力,还能够克服早熟、易陷入局部最优的弱点,在迭代660次后仍能跳出局部最优,并在寻优精度方面优于粒子群算法。因此文中提出的改进樽海鞘算法相较其他算法,可以有效克服早熟、容易陷入局部最优点等问题。 -
为进一步验证文中提出平面照度优化方法的有效性,搭建如图9所示实验台。X方向与Y方向采用有效行程400 mm的飞万KR60-S系列的直线滑轨,以保证位移量的准确性。底部布置光学面包板,以保证实验台平面度与刚度。光源采用聚图光电JH-LS6222条形光源与JH-AP-2 C光源控制器,条形LED光源为4行10列非相关LED排列而成,按水平布置,长度方向LED间隔5 mm,宽度方向LED间隔4 mm。光源照度测量采用台湾泰仕TES-1332 A照度计,测量范围为0~20 000 lx,测量精度1 lx。
-
利用文中提出的改进樽海鞘算法对公式(29)所示的评价函数寻优,获得被测区域照度效果评价函数取最小值时的位姿参数为:(
$ {\theta _1} = 39.89^\circ $ ,$ {\theta _2} = 12.13^\circ $ ,${\rm{d}}{x_2} = $ $ 50.12\;{{\rm{mm}}}$ ,${\rm{d}}{{\textit{z}}_2} = 298.89\;{{\rm{mm}}}$ )。此时由条形LED阵列光源模型优化计算获得的平面最优理论相对照度分布与由TES-1332 A照度计实际测量获得的相对照度分布对比如图10所示,理论被测面相对照度分布与理论背景面相对照度分布对比如图11所示,其中背景面的定义见2.4节。为获取更清晰的对比结果,采样间隔设置为5 mm。点$ (i,j) $ 的相对照度值$ {e_{{\text{re}}}}(i,j) $ 定义如公式(39)所示:式中:
$ e(i,j) $ 为被测面$ (i,j) $ 点的照度值;$ \bar e $ 为被测面的平均照度值。平面照度均匀度$ {e_{{\text{uni}}}} $ 定义为最小照度与平均照度的比值,如公式(40)所示:式中:
$ {e_{{\text{min}}}}(i,j) $ 为平面最小照度值。如图10所示,上方深蓝色照度分布为理论值,则被测面理论照度均匀度大于98.78%。平面各点的实际相对照度值与理论相对照度值接近,在相对照度值差距最大点相差5.57%以内;其实际平均照度值为727.68 lx,表明算法可有效避开平均照度值接近0的无效结果。故理论相对照度与实际相对照度分布规律相符。图11所示被测面与背景面理论平均照度相差6.5%左右,能够从平均照度值方面进一步有效区分目标区域与背景区域。
-
考虑调整
$({\theta _1},{\theta _2},{\rm{d}}{x_2},{\rm{d}}{z_2})$ 4项参数,即当其中任一参数偏离最优光照效果的位姿参数时,X轴方向上照度分布的变化情况。图12~15分别给出了$ {\theta _1} \pm 1^\circ $ 、$ {\theta _2} \pm 1^\circ $ 、${\rm{d}}{x_2} \pm 10\;{{\rm{mm}}}$ 与${\rm{d}}{{\textit{z}}_2} \pm 10\;{{\rm{mm}}}$ 时与原最优位姿下照度分布曲线对比。由图12可知,
$ {\theta _1} \pm 1^\circ $ 均会使照度均匀度下降,照度均匀度分别减小0.39%、0.54%。由图13、14可知,$ {\theta _2} $ 和$ {\rm{d}}{x_2} $ 的变化会使平面照度分布对称度下降,即平面照度最高点会较大幅度脱离被测面中心,其中$ {\theta _2} \pm $ $ 1^\circ $ 会使照度均匀度分别下降0.53%、0.58%,$ {\rm{d}}{x_2} \pm 10\;{{\rm{mm}}} $ 会使照度均匀度分别下降1.46%、1.05%。由图15可知,${\rm{d}}{{\textit{z}}_2} \pm 10\;{{\rm{mm}}}$ 分别会使照度均匀度下降0.64%、0.65%。由于优化后照度值最高点位于被测区域的中心,故$ {\theta _1} + 1^\circ $ 会使照度中心由${x_2} = 250\;{{\rm{mm}}}$ 向${x_2} = 248\;{{\rm{mm}}}$ 的负方向偏移,照度分布曲线按逆时针方向旋转,造成照度分布成阶梯型;由于$ 0 < {\theta _1} < 90^\circ $ ,$ {\theta _2} $ 、$ {\rm{d}}{x_2} $ 、${\rm{d}}{{\textit{z}}_2}$ 向正方向变化则会引起照度中心向X轴正方向偏移,此时,平面照度分布具有更高的梯度,照度变化更显著,不利于采集图像的后续处理。根据3.3节获得最优评价函数值$ {f_{{\text{ISSA}}}} = - 1\;261 $ 及其光源位姿参数($ {\theta _1} = 39.89^\circ $ ,$ {\theta _2} = 12.13^\circ $ ,$ {\rm{d}}{x_2} = 50.12\;{{\rm{mm}}} $ ,${\rm{d}}{{\textit{z}}_2} = 298.89\;{{\rm{mm}}}$ ),当各参数变化时对应评价函数值分别如表2~5所示。由此可以看出,4项位姿参数在任一方向发生变化,均会使得平面照度均匀度有一定程度的下降,以及评价函数值一定程度的上升。故文中方法正确,可获取具有最佳照度效果的光源空间位姿参数。Figure 15. Illumination distribution along the X-axis when
${\rm{d}}{{\textit{z}}_2}$ changing by 10 mmParameter variation $ {\theta _1} - 1^\circ $ $ {\theta _1} $ $ {\theta _1} + 1^\circ $ $ f $ −1 086.9 −1 261 −1 115.6 Table 2. Evaluation function value corresponding to θ1
Parameter
variation$ {\theta _2} - 1^\circ $ $ {\theta _2} $ $ {\theta _2} + 1^\circ $ $ f $ −1 122.4 −1 261 −1 144.0 Table 3. Evaluation function value corresponding to θ2
Parameter variation $ {\rm{d}}{x_2} - 10\;{{\rm{mm}}} $ $ {\rm{d}}{x_2} $ $ {\rm{d}}{x_2} + 10\;{{\rm{mm}}} $ $ f $ −627.7 −1 261 −657.1 Table 4. Evaluation function value corresponding to dx2
Parameter variation $ {\rm{d}}{z_2} - 10\;{{\rm{mm}}} $ $ {\rm{d}}{z_2} $ $ {\rm{d}}{z_2} + 10\;{{\rm{mm}}} $ $ f $ −963.4 −1 261 −917.1 Table 5. Evaluation function value corresponding to dz2
-
当前芯片封装质量视觉检测的工业应用中,光源通常采用正向照明方式。将传统正向照明的理论照度分布与文中优化后的理论照度分布作对比,如图16所示。其中,为使正向照明与文中优化方案具有相同的高度条件,正向照明采用的位姿参数为(
$ {\theta _1} = 90^\circ $ ,$ {\theta _2} = 11.86^\circ $ ,$ {\rm{d}}{x_2} = 223.95\;{{\rm{mm}}} $ ,${\rm{d}}{{\textit{z}}_2} = 322.18\;{{\rm{mm}}}$ )。从图16可以看出,传统正向照明下的平面照度分布与文中优化所得结果基本一致,但平面照度分布具有更高的梯度,照度变化更显著,不利于建立高质量目标图像采集所需要的、具有较高照度均匀度的照明系统,故文中提出的基于改进樽海鞘算法的视觉检测系统LED光源照度优化方法及条形LED阵列光源布置方案优于传统正向照明方案。
Illumination optimization method of LED light source for visual inspection system
doi: 10.3788/IRLA20210745
- Received Date: 2021-05-25
- Rev Recd Date: 2021-07-15
- Accepted Date: 2021-11-11
- Publish Date: 2021-12-31
-
Key words:
- illumination modeling /
- improved Salp swarm algorithm /
- optimization calculation /
- illumination uniformity /
- LED array
Abstract: To address the issues that the illumination effect evaluation elements were limited and the illumination optimization methods were lack of universality in current research of illumination optimization method of LED light source for visual inspection system, an illumination optimization method of LED light source for visual inspection system based on improved Salp swarm algorithm, taking visual inspection on chip package quality as example in this paper. A mathematical illumination model of single LED light source was established, based on which the mathematical illumination model of standard strip shape LED array was proposed to obtain the illumination values of the LED array in arbitrary spatial position and measured plane. The plane illumination effect evaluation function was constructed in comprehensive consideration of the illumination uniformity, the average illumination, the illumination gradient variation, the threshold reaching standard, the distinguishability of target and background area. An improved salp swarm algorithm (ISSA) was proposed to optimize the computing procedure of plane illumination effect evaluation function and obtain the spatial position parameters of optimal illumination effect. The update strategies of the convergence coefficients, the Salp speed, the leader and its followers’ position were improved, to enhance the diversity of area searching in ISSA. The experimental results show that based on the observation of the relative illumination distribution of the optimize area, the illumination distribution obtained by the propose method is basically consistent with the illumination distribution by actual measurement, the illumination uniformity of the target area is above 98.78%, and the maximum difference is within 5.57%. Therefore, the proposed method had a reasonable optimization objective and could be used to obtain the spatial position parameters of optimal illumination effect for visual inspection system.