Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Thuật toán lập kế hoạch đường đi cho kiểm tra chất lượng bề mặt PCB tự động
Tóm tắt
Việc kiểm tra chất lượng bề mặt của bảng mạch in công nghiệp (PCB) là một khâu vô cùng quan trọng trong quy trình sản xuất của nó. Để kiểm tra hiệu quả các khuyết tật trên bề mặt của PCB, công nghệ kiểm tra quang học tự động (AOI), trong đó việc thu thập hình ảnh PCB phụ thuộc vào phương pháp lập kế hoạch đường đi, đã được ngành công nghiệp áp dụng rộng rãi. Nó được coi là một bài toán thương nhân du lịch đặc trưng (TSP), bao gồm nhóm linh kiện, điều chỉnh vị trí và tối ưu hóa thích ứng thuật toán. Trong bài báo này, bằng cách cải tiến thuật toán đàn kiến (ACA), chúng tôi đã xây dựng một mô hình lập kế hoạch đường đi thu thập hình ảnh PCB và các thuật toán giải quyết tương ứng. Do ACA gặp khó khăn trong việc thoát khỏi giải pháp tối ưu cục bộ, một ACA cải tiến với cơ chế phản hồi tiêu cực được đề xuất, có khả năng thu được một con đường tốt hơn với xác suất cao hơn. Hướng tới sự không chắc chắn của vị trí cục bộ của các cửa sổ thu thập hình ảnh, các phương pháp điều chỉnh vị trí được giới thiệu để rút ngắn thêm chiều dài đường đi và cải thiện hiệu suất thu thập hình ảnh. Cuối cùng, thông qua các thí nghiệm mô phỏng, ACA phản hồi tiêu cực toàn cầu (GNF-ACA) được đề xuất có thể rút ngắn chiều dài trung bình của đường dẫn xuống 1,7% mà không làm thay đổi độ phức tạp thời gian. Ba phương pháp điều chỉnh vị trí có thể rút ngắn thêm chiều dài đường đi xuống 5,6%, 13,1% và 13,7%.
Từ khóa
#kiểm tra quang học tự động #lập kế hoạch đường đi #thuật toán đàn kiến #bảng mạch in #tối ưu hóaTài liệu tham khảo
Alemayehu, T. S., & Kim, J. (2017). Efficient Nearest Neighbor Heuristic TSP Algorithms for Reducing Data Acquisition Latency of UAV Relay WSN. Wireless Personal Communications, 95(3), 3271–3285. https://doi.org/10.1007/s11277-017-3994-9.
Arnaout, J. P. (2013). Ant colony optimization algorithm for the Euclidean location-allocation problem with unknown number of facilities (Article). Journal of Intelligent Manufacturing. https://doi.org/10.1007/s10845-011-0536-2.
Benedek, C. B. C., Krammer, O. K. O., Janoczki, M. J. M., & Jakab, L. J. L. (2013). Solder Paste Scooping Detection by Multilevel Visual Inspection of Printed Circuit Boards. IEEE Transactions on Industrial Electronics. https://doi.org/10.1109/TIE.2012.2193859.
Chaari, I., Koubâa, A., & Bennaceur, H. (2014). SmartPATH: an efficient hybrid ACO-GA algorithm for solving the global path planning problem of mobile robots. International Journal of Advanced Robotic Systems, 11(7), 94. https://doi.org/10.5772/58543.
Chamnanlor, C. A., Sethanan, K. A., Gen, M. B. C., & Chien, C. F. D. (2017). Embedding ant system in genetic algorithm for re-entrant hybrid flow shop scheduling problems with time window constraints (Article). Journal of Intelligent Manufacturing. https://doi.org/10.1007/s10845-015-1078-9.
Chen, X. A., Kong, Y. A., Fang, X. A., & Wu, Q. B. (2013). A fast two-stage ACO algorithm for robotic path planning (Article). Neural Computing and Applications. https://doi.org/10.1007/s00521-011-0682-7.
Cook, W. J. (2012). In Pursuit of the Traveling Salesman Mathematics at the Limits of Computation. . Princeton University Press.
Fu, C. H., Zhang, L. J., Wang, X. J., & Qiao, L. Y. (2018). Solving TSP problem with improved genetic algorithm. AIP Conference Proceedings. https://doi.org/10.1063/1.5039131.
Hermes, Z., Nassef, A. O., & Gaafar, L. K. (2010). Optimal camera path planning for the inspection of printed circuit boards using a two stepped optimization approach. In: ASME 2010 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference, Montreal, Quebec, Canada, pp 745–753. Doi:https://doi.org/10.1115/DETC2010-28393
Katagiri, H., Qingqiang, G., Bin, W., Muranaka, T., Hamori, H., & Kato, K. (2015). Path optimization for electrical PCB inspections with alignment operations using multiple cameras. Procedia Computer Science, 60, 1051–1060. https://doi.org/10.1016/j.procs.2015.08.150.
Keck, A., & Sawodny, O. (2014). Automation and control of a multi-sensor measuring system for quality inspection of technical surfaces. In: Proceedings of the 2014 13th international conference on control automation robotics and vision (ICARCV), pp 283–288. Doi:https://doi.org/10.1109/ICARCV.2014.7064319
Kuo, C. J. F. T. (2019). Automated optical inspection system for surface mount device light emitting diodes. Journal of Intelligent Manufacturing. https://doi.org/10.1007/s10845-016-1270-6.
Latip, N. B. A., Omar, R., & Debnath, S. K. (2017). Optimal path planning using equilateral spaces oriented visibility graph method. International Journal of Electrical and Computer Engineering. https://doi.org/10.1016/j.procs.2015.08.150.
Luo, Y. (2017). Nested optimization method combining complex method and ant colony optimization to solve JSSP with complex associated processes. Journal of Intelligent Manufacturing, 28(8), 1801–1815. https://doi.org/10.1007/s10845-015-1065-1.
Mar, N. S. S., Yarlagadda, P. K. D. V., & Fookes, C. (2011). Design and development of automatic visual inspection system for PCB manufacturing. Robotics and Computer Integrated Manufacturing. https://doi.org/10.1016/j.rcim.2011.03.007.
Park, T. H., Kim, H. J., & Kim, N. (2006). Path planning of automated optical inspection machines for PCB assembly systems. International Journal of Control Automation and Systems, 1, 96–104.
Pei, Y., Yang, L., & Yang, C. (2019). Mobile robot path planning based on a hybrid genetic algorithm. Modern Electronics Technique, 42(02), 183–186. https://doi.org/10.16652/j.issn.1004-373x.2019.02.042.
Peng-zhen, D. U., Zhen-min, T., & Yan, S. (2014). An object-oriented multi-role ant colony optimization algorithm for solving TSP problem. Control and Decision, 29(10), 1729–1736. https://doi.org/10.13195/j.kzyjc.2013.1173.
Rahman, M. A., & Islam, M. Z. (2014). A hybrid clustering technique combining a novel genetic algorithm with K-Means. Knowledge-Based Systems, 71, 345–365. https://doi.org/10.1016/j.knosys.2014.08.011.
Ren, B., Liu, H., Yang, L., & Cheng, L. (2012). Automatic optical path planning in SMT inspection system. International Review on Computers and Software, 1, 408–413.
Sahu, C., Parhi, D. R., & Kumar, P. B. (2018). An approach to optimize the path of humanoids using adaptive ant colony optimization. Journal of Bionic Engineering. https://doi.org/10.1007/s42235-018-0051-7.
Wang, W., Chen, S., Chen, L., & Chang, W. (2017). A machine vision based automatic optical inspection system for measuring drilling quality of printed circuit boards. IEEE Access, 5, 10817–10833. https://doi.org/10.1109/ACCESS.2016.2631658.
Wen, S. F., & Guo, G. Y. (2015). Path planning of mobile robot based on improved artificial potential field approach. Computer Engineering and Design. https://doi.org/10.16208/j.issn1000-7024.2015.10.041.
Wystrach, A., Buehlmann, C., Schwarz, S., Cheng, K., & Graham, P. (2020). Rapid aversive and memory trace learning during route navigation in desert ants. Current biology. https://doi.org/10.1016/j.cub.2020.02.082.
Xie, H., & Zhang, X. (2011). Adaptive online solder joint inspection algorithm based on incremental clustering. Electronics Letters. https://doi.org/10.1049/el.2011.1139.
Yuk, E. H., Park, S. H., Park, C., & Baek, J. (2018). Feature-learning-based printed circuit board inspection via speeded-up robust features and random forest. Applied Sciences. https://doi.org/10.3390/app8060932.
Zhang, M. L., Li, Z. X., & Chen, F. B. (2018). Research on K-means clustering and path optimization process of HDI plate group. Modular Machine Tool and Automatic Manufacturing Technique. https://doi.org/10.13462/j.cnki.mmtamt.2018.07.035.
Zhu, X., & Chen, R. (2015). Path planning for welding spot detection. In: The 14th Distributed Computing and Applications in Business, Engineering, and Sciences Conference, pp 86–89. Doi:https://doi.org/10.1109/DCABES.2015.29