基于SVM-DDA改进RBF网络的LED焊点检测方法

　　摘要：为了提高LED灯带生产中焊点类型被自动地识别的精度，提出了基于SVM-DDA的改进RBF网络的检测方法。它首先使用动态衰减算法(DDA)确定SVM的结构及参数，然后利用SVM与RBF网络的近似性，根据SVM确定RBF网络的结构及初始化参数。实验结果表明，该方法减少了训练的迭代次数，提高了焊点识别的准确率，并且对于样本较少的类别也有较理想的分类结果。

　　引言

　　LED灯带是指把LED组装在带状的FPC(柔性线路板)或PCB硬板上。LED灯带上的LED一般是串联的，在生产的过程中往往因为某颗LED存在焊接问题，导致整条灯带不能正常工作，而人工检测的传统方法难以满足生产质量和速度的需求。为了适应生产的需求，基于视觉的自动光学检测(AOI)技术被引入到LED焊点质量检测中。

　　RBF神经网络是一种前馈性神经网络，具有最佳逼近性能，学习能力强，收敛适度快，已经成功应用于多种模式识别领域。支持向量机比传统基于聚类方法找出中心和通过误差反向传播算法找出权重的方法具有更优的性能，且支持向量机可以解决小样本分类的问题[3]。动态衰减调整(Dynamic Decay Adjustment，DDA)[4]是指网络结构可以在训练过程中动态地调整，使其具有最优化结构。本文提出一种基于SVM-DDA的改进RBF网络的焊点检测算法。首先采用动态衰减调整(DDA)来训练SVM以确定RBF网络结构及优化其初始参数;然后通过实验选择LED的焊点特征;最后使用建立的RBF神经网络对LED焊点进行分类识别。　　

　　基于SVM-DDA的改进RBF神经网络

　　RBF与SVM的结构等价性分析

　　典型RBF神经网络的拓扑结构如图1(a)所示，网络输出如式(1)所示： 
         　(1)

　　典型的SVM网络结构如图1(b)如所示，当SVM网络采用径向基核函数作为激活函数时，其表达式如式(2)所示。
        　(2)

　　对比RBF与SVM的网络结构以及式(1)与式(2)可以发现，二者的径向基函数的中心和宽度等参数一一对应，网络输出都是隐含层节点输出的线性加权和。也证明了基于径向基核函数的SVM与三层RBF神经网络的结构具有等价性，在函数近似时可以互相转化。