基于集成多目标回归链的视觉印刷机纠偏位姿预测方法与流程

本发明涉及视觉印刷机定位纠偏和纠偏补偿等技术领域，尤其是指一种基于集成多目标回归链的视觉印刷机纠偏位姿预测方法。

背景技术：

全自动视觉印刷机是表面贴装技术(surfacemounttechnology，smt)生产线的关键设备之一，其印刷效率与精度是影响smt生产线的效率与印刷产品质量的主要因素。锡膏印刷品质是影响smt产品质量的重要因素之一，据统计，电路板缺陷中约有70％可以追溯到锡膏印刷不良。随着科技的不断进步，电子产品向微型化、高密度、零缺陷的方向发展，印刷机的精度及稳定性要求也越来越高。

目前，现有视觉印刷机由视觉对准系统，印刷系统和纠偏算法模块等组成。系统的定位误差、机构制造和装配误差以及视觉对准系统的纠偏误差等因素，大大制约了印刷精度的提高。设备中存在多种误差，粗大误差如运动轴的传动比误差、像素当量误差等，系统误差有运动模型的结构参数误差、结构间隙等，随机误差包含相机的重复匹配误差、运动轴的重复定位误差等。印刷设备的误差直接影响设备的工艺流程，并在工艺流程中不断积累，最终形成锡膏印刷的精度误差和稳定性误差。总体而言，现有的视觉印刷机纠偏方法是通过生产前对设备工作状态进行标定，并通过一定的补偿，实现pcb与模板的对位。标定后通过相机获取pcb与模板的位置偏差，经由纠偏算法进行纠偏，再通过相机获取纠偏后pcb与模板的位置偏差，确保印刷的精度。在实际生产过程中，其误差补偿在生产之前就已标定并保持不变，忽视了设备在长期工作状态下因设备疲劳等原因导致的纠偏能力下降的问题。

技术实现要素：

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于集成多目标回归链的视觉印刷机纠偏位姿预测方法，突破传统视觉印刷机纠偏的简单标定误差补偿，无法适应不同长期印刷设备状态变化的问题，采用历史的印刷数据，对当前的纠偏后位姿进行预测，以期利用预测后的纠偏位姿对pcb与模板纠偏过程中对纠偏输入进一步补偿，提高视觉印刷机的印刷精度及稳定性。

为实现上述目的，本发明所提供的技术方案为：基于集成多目标回归链的视觉印刷机纠偏位姿预测方法，包括以下步骤：

1)获取视觉印刷机纠偏过程中的历史数据，即样本数据；

2)对样本数据进行预处理，切分训练集和测试集

3)利用训练集建立多目标回归链的视觉印刷机纠偏预测单链模型；

4)在单链预测模型的基础上建立的集成多目标回归链的视觉印刷机纠偏位姿预测模型；

5)根据测试集对集成多目标回归链的视觉印刷机纠偏预测模型进行误差评估。

在步骤1)中，所述视觉印刷机纠偏过程中的历史数据是指视觉印刷机纠偏过程中获取的纠偏位姿信息数据，包括pcb进板位置信息、位姿、pcb纠偏理论的电机纠偏输入、纠偏前位置精度、纠偏后位姿；其中，纠偏后位姿为多目标，位姿表示为pcb相对模板的位置，包括x、y和θ，x为纠偏后的横向位姿，y为纠偏后的纵向位姿，θ为纠偏后的角度位姿。

在步骤2)中，对样本数据进行预处理，切分训练集和测试集包括以下步骤：

2.1)对样本数据进行归一化处理，采用min-max标准化公式：

式中，其中是归一化后的视觉印刷机纠偏工作过程中采集的样本数据，其中max为样本数据特征的最大值，min为样本数据特征的最大值，为单个样本，包括多维特征；

2.2)对归一化后的样本数据进行切分，切分为训练集和测试集对训练集再根据样本目标数量进行切分，由于视觉印刷机纠偏位姿为3目标，包括x、y和θ，x为纠偏后横向的位姿、y为纠偏后纵向的位姿、θ为纠偏后的角度位姿，因而对训练集分成3份：和

在步骤3)中，所述多目标回归链的视觉印刷机纠偏位姿预测单链模型以xgboost为基学习器进行多目标预测建模，包括以下步骤：

3.1)根据单条回归链确定视觉印刷机纠偏位姿的建模顺序，若回归链为[0,1,2]，则多目标建模顺序为[x,y,θ]，若回归链为[1,2,0]，则多目标建模顺序为[y,θ,x]；

3.2)采用回归链顺序为[0,1,2],确定多目标建模顺序为[x,y,θ]，以xgboost为基学习器进行建模；

3.3)根据步骤2.2)中切分的训练集选用训练集中样本为输入，横向位姿x为目标建立基模型xgboost1；

3.4)通过网格搜索方法，选择基模型xgboost1参数，其中包括树模型最大深度max_depth、最小叶子节点权重min_child_weight、树的惩罚系数gamma、样本采样数subsample、特征采样数colsample_bytree、学习率eta、基学习器的个数num_boost_round，通过模型效果选取最优的参数组合，基模型损失函数采用绝对百分比误差mape；

3.5)根据步骤2.2)中切分的训练集选用训练集中样本为输入，以基模型xgboost1预测其中为基模型xgboost1在训练集上关于横向位姿x的预测值，并以和为输入，纵向位姿y为目标建立基模型xgboost2，其参数调优和损失函数与基模型xgboost1建立过程相同；

3.6)根据步骤2.2)中切分的训练集选用训练集中样本为输入，以基模型xgboost1预测横向位姿其中为基模型xgboost1在训练集上关于横向位姿x的预测值，并以为输入，以基模型xgboost2预测纵向位姿其中为基模型xgboost2在训练集上关于纵向位姿y的预测值；再以和为输入，角度位姿θ为目标建立基模型xgboost3，其参数调优和损失函数与基模型xgboost1建立过程相同，能够通过测试集获得；

3.7)最后，根据步骤2.2)中切分的测试集作为输入，以基模型xgboost1预测横向位姿其中为基模型xgboost1在训练集上关于横向位姿x的预测值，并以和为输入，以基模型xgboost2预测纵向位姿其中为基模型xgboost2在训练集上关于纵向位姿y的预测值；再以和为输入，以基模型xgboost3预测角度位姿在测试集上以单链多目标预测方法获得视觉印刷机纠偏位姿x、y和θ的预测值和

在步骤4)中，由步骤3)中的多目标回归链的视觉印刷机纠偏位姿单链预测模型，建立集成多目标回归链的视觉印刷机纠偏位姿预测模型xgb-erc，具体如下：

4.1)生成多条随机回归链，形成多目标回归链矩阵；

4.2)对每一条回归链，分别建立多目标预测模型，即基模型xgboost1、xgboost2和xgboost3；

4.3)对所有回归链，通过计算多目标的平均值建立集成多目标回归链的视觉印刷机纠偏位姿预测模型xgb-erc。

在步骤5)中，由步骤2)中切分的测试集对步骤4)建立的集成多目标回归链的视觉印刷机纠偏位姿模型xgb-erc进行评估，对全自动视觉印刷机的纠偏位姿x、y和θ进行预测，其中x为纠偏后的横向位姿，y为纠偏后的纵向位姿，θ为纠偏后的角度位姿，将预测的纠偏位姿和与实际纠偏位姿x、y和θ进行误差计算，误差采用绝对百分比误差mape、平均绝对误差mae和均方根误差rsme作为评估指标，将预测的纠偏位姿和进行去归一化，进行预测数据输出：

式中，yi为实际纠偏位姿值，为模型预测的纠偏位姿值，n为样本数量；

通过对模型效果进行评估，能够得到pcb在视觉印刷机纠偏后的位姿，从而通过视觉印刷机位姿误差与纠偏电机输入之间的关系，获得输入补偿量，进一步提高视觉印刷机的精度与稳定性。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明首次运用机器学习对视觉印刷机纠偏误差预测的方法，突破传统的只是简单在印刷前进行误差标定，标定单一的问题。

2、本发明通过视觉印刷机工作的历史数据，建立视觉印刷机纠偏位姿预测模型，以期对实时纠偏过程中基于预测偏差进行补偿，达到提高印刷精度及稳定性的目的。

3、本发明充分利用近期设备工作过程信息，结合历史信息可以更准确适应视觉印刷机在不同时期的工作状态。

4、本发明采用多目标预测方法，对具有相关关系的多目标预测有一定的借鉴作用。

5、本发明方法在视觉印刷机纠偏系统中具有广泛的使用空间，操作简单、适应性强，在提高视觉印刷机精度与稳定性方面有广阔前景。

附图说明

图1为本发明逻辑流程示意图。

图2为本发明与xgboost模型对纠偏位姿x预测的残差对比图。

图3为本发明与xgboost模型对纠偏位姿y预测的残差对比图。

图4为本发明与xgboost模型对纠偏位姿θ预测的残差对比图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1所示，本实施实例所提供的基于集成多目标回归链的视觉印刷机纠偏位姿预测方法，包括以下步骤：

1)获取视觉印刷机纠偏过程中的历史数据，即样本数据；其中，所述视觉印刷机纠偏过程中的历史数据是指视觉印刷机纠偏过程中获取的纠偏误差信息数据，包括pcb进板位置信息、位姿、pcb纠偏理论的电机纠偏输入、纠偏前位置精度、纠偏后位姿等。其中，纠偏后位姿为多目标，位姿表示为pcb相对模板的位置，包括x、y和θ，x为纠偏后的横向位姿，y为纠偏后的纵向位姿，θ为纠偏后的角度位姿。

实验平台：处理器为inter(r)core(tm)i7-8750；cpu频率为2.20hz,内存为8gb；操作系统为windows10(64位)；基于python3.6编程；集成开发环境为pycharmcommunityedition2019。本实例的数据是创威科技tw-p3000全自动视觉印刷机在一段时间工作过程中采集的数据，总共包括30200条数据。

获取的视觉印刷机纠偏历史数据如表1所示：

表1视觉印刷机纠偏历史数据

2)对样本数据进行预处理，切分训练集和测试集具体如下：

2.1)对样本数据进行归一化处理，采用min-max标准化公式：

式中，其中是归一化后的视觉印刷机纠偏工作过程中采集的样本数据，其中max为样本数据特征的最大值，min为样本数据特征的最大值，为单个样本，包括多维特征；

2.2)对归一化后的样本数据进行切分，切分为训练集和测试集对训练集再根据样本目标数量进行切分，由于视觉印刷机纠偏位姿为3目标：x、y和θ，x为纠偏后的横向位姿，y为纠偏后的纵向位姿，θ为纠偏后的角度位姿，因而对训练集分成3份：和其中样本数据为30200条，训练集为30000条数据，测试集为200条，即样本分别为10000条数据，测试集为200条。

3)利用训练集建立多目标回归链的视觉印刷机纠偏预测单链模型，以xgboost为基学习器进行多目标预测建模，具体步骤如下：

3.1)根据单条回归链确定视觉印刷机纠偏位姿的建模顺序，若回归链为[0,1,2]，则多目标建模顺序为[x,y,θ]，若回归链为[1,2,0]，则多目标建模顺序为[y,θ,x]；

3.2)采用回归链顺序为[0,1,2],确定多目标建模顺序为[x,y,θ]，以xgboost为基学习器进行建模；

3.3)根据步骤2.2)中切分的训练集选用训练集中样本为输入，x为目标建立基模型xgboost1；

3.4)通过网格搜索方法，选择基模型xgboost1参数，其中包括树模型最大深度max_depth、最小叶子节点权重min_child_weight、树的惩罚系数gamma、样本采样数subsample、特征采样数colsample_bytree、学习率eta、基学习器的个数num_boost_round，通过模型效果选取最优的参数组合，基模型损失函数采用绝对百分比误差mape；

3.5)根据步骤2.2)中切分的训练集选用训练集中样本为输入，以基模型xgboost1预测其中为基模型xgboost1在训练集上关于横向位姿x的预测值，并以和为输入，纵向位姿y为目标建立基模型xgboost2，其参数调优和损失函数与基模型xgboost1建立过程相同；

3.6)根据步骤2.2)中切分的训练集选用训练集中样本为输入，以基模型xgboost1预测横向位姿其中为基模型xgboost1在训练集上关于横向位姿x的预测值，并以为输入，以基模型xgboost2预测纵向位姿其中为基模型xgboost2在训练集上关于纵向位姿y的预测值；再以和为输入，角度位姿θ为目标建立基模型xgboost3，其参数调优和损失函数与基模型xgboost1建立过程相同，可通过测试集获得；

3.7)最后，根据步骤2.2)中切分的测试集作为输入，以基模型xgboost1预测横向位姿其中为基模型xgboost1在训练集上关于横向位姿x的预测值，并以和为输入，以基模型xgboost2预测纵向位姿其中为基模型xgboost2在训练集上关于纵向位姿y的预测值；再以和为输入，以基模型xgboost3预测角度位姿在测试集上以单链多目标预测方法获得视觉印刷机纠偏位姿x、y和θ的预测值和

4)由步骤3)中的多目标回归链的视觉印刷机纠偏位姿预测单链模型，建立集成多目标回归链的视觉印刷机纠偏位姿预测模型xgb-erc，具体如下：

4.1)生成多条随机回归链，形成多目标回归链矩阵；

4.2)对每一条回归链，分别建立多目标预测模型，即基模型xgboost1、xgboost2和xgboost3；

4.3)对所有回归链，通过计算多目标的平均值建立集成多目标回归链的视觉印刷机纠偏位姿预测模型xgb-erc。

5)由步骤2)中切分的测试集对步骤4)建立的集成多目标回归链的视觉印刷机纠偏位姿预测模型xgb-erc进行评估，对全自动视觉印刷机的纠偏

位姿x、y和θ进行预测，将预测的纠偏位姿和与实际纠偏位姿x、y和θ进行误差计算，误差采用绝对百分比误差mape、平均绝对误差mae和均方根误差rsme作为评估指标，将预测的纠偏位姿和进行去归一化，进行预测数据输出：

式中，yi为实际纠偏位姿值，为模型预测的纠偏位姿值，n为样本数量；两个模型的效果如下表2、3所示：

表2-xgboost单目标预测

表3-xgb-erc多目标预测

图2至图4分别表示xgb-erc模型与xgboost模型对视觉印刷机的纠偏位姿x、y和θ偏差，可以看出，xgb-erc结果更接近纠偏位姿x、y、θ。同时表2、表3展示了两个模型分别在测试集与数据上的表现，可以看出xgb-erc模型效果更好，泛化能力更强。

通过对模型效果进行评估，可以得到视觉印刷机在纠偏后的位姿误差，从而可通过视觉印刷机位姿误差与纠偏电机输入之间的关系，获得输入补偿量，进一步提高视觉印刷机的精度与稳定性。

综上所述，在采用以上方案后，本发明为视觉印刷机纠偏定位提供了新的方法，不仅采用了历史数据，同时利用了诗句印刷机纠偏位姿的相关关系进行纠偏误差多目标预测，与简单的用xgboost模型进行x、y和θ纠偏位姿单目标预测，模型效果进一步提升。将视觉印刷机纠偏误差预测，进而对其纠偏加以补偿作为视觉印刷机纠偏的一种有效手段，未来能够有效提高视觉印刷机的精度和稳定性，有利于表面贴装技术的发展，具有实际应用价值，值得推广。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。