Применение AOI в производстве печатных плат

Jan. 03, 2023   |   303 взгляды

Сценарии применения Ал:

Система искусственного интеллекта в основном состоит из трех частей: ① ввод информации. Обнаружение динамического физического мира с помощью различных сенсорных устройств, чтобы получить большой объем данных; ② Обработка решений. Применение большого объема данных, полученных к модели, полученной с помощью машинное обучение для рассуждений, прогнозирования или принятия решений; ③ Выполнение вывода. Выполнение соответствующих действий в соответствии с результатами рассуждения или прогнозирования. Короче говоря, это создание модели прогнозирования для большого количества входных данных с помощью алгоритмов машинного обучения, таких как регрессия и интеграция, а также применение установленной модели к фактическому набору данных для получения результатов прогнозирования. Al широко используется в финансах, лечении, образовании, общественной безопасности, транспорте, связи, сельском хозяйстве, метеорологии, сфере услуг и других областях.

Автоматический оптический контроль AOI:

Кратко представлена основная концепция искусственного интеллекта ИИ и упомянуты алгоритмы компьютерного зрения, обычно используемые в ИИ. Эти алгоритмы зрения также широко используются в AOI. Автоматическое оптическое обнаружение AOI развилось из ручного визуального осмотра. Его принцип работы заключается в следующем: во-первых, требуемая информация об особенностях изображения «изучается» на стандартных данных CAM с помощью визуального алгоритма, а затем функция извлекается из отсканированного изображения каждой печатной платы с использованием модели, изученной на обучающем наборе. , и полученное изображение признака сравнивается со стандартными данными, сообщается о проблемных точках, которые необходимо обнаружить в соответствии с заданными правилами (критериями обнаружения). Поскольку AOL является типичным приложением компьютерного зрения, оно имеет те же трудности, что и компьютерное зрение.

Зрительные трудности в АОИ:

Потеря информации в процессе визуализации: когда люди пытаются понять изображение, предыдущий опыт и знания будут использоваться для текущего наблюдения. Процесс понимания изображения обычно завершается бессознательно. Компьютерное зрение должно задействовать результаты и методы математики, распознавания образов, искусственного интеллекта, психофизиологии, информатики, электроники и других дисциплин. Поэтому для сухого АОИ требуется много информации. потеряно, когда поле печатной платы сухого 3D проецируется в 2D-пространство, особенно информация о глубине, такая как освещение, свойства материала, ориентация и расстояние, отражаются как единственное измеренное значение – значение серого. Проекция той же 2D-плоскости может быть генерируется бесконечным числом возможных проекций 3D-сцены. Следовательно, обратный процесс от 2D к 3D является плохо обусловленным процессом или некорректно поставленной задачей. Данных наблюдений недостаточно, чтобы ограничить решение задачи. Поэтому необходимо использовать априорные знания или вводить соответствующие ограничения. Например, при обнаружении АОИ часто встречается, что на отсканированном изображении (2D-изображении) есть обрыв, но на самом деле это может быть настоящий обрыв , или точки окисления, остатки клея и пыль на линии (3D сцена)

Окклюзия изображения: в компьютерном зрении окклюзия изображения обычно относится к легкой окклюзии, физической окклюзии, самоокклюзии или смешанной окклюзии. Потому что окклюзия изображения не только теряет часть информации о цели, но и вносит дополнительные помехи. Экранирование в AOI означает, что реальный дефект закрыт посторонними предметами (см. рис. 5). Это короткое замыкание покрыто вязкими посторонними веществами. После очистки инструментами можно увидеть немного нижней меди, но полностью удалить инородные тела не удается. Его нужно протирать фибровой салфеткой. Поэтому АОИ не может судить о наличии истинных дефектов под инородными телами по серым изменениям.

Локальное окно и глобальный вид: обычно операцией анализа алгоритма анализа изображения является специальная единица хранения (пиксель в изображении) и смежные с ним единицы в памяти. Когда изображение можно получить только из локального вида или только из некоторых локальных отверстий, интерпретировать изображение обычно очень сложно. Ао сканирует заданную ширину в соответствии с разными разрешениями и делит его на блоки изображения заданного размера для обработки. Поэтому алгоритмом обнаружения AOL является также локальный анализ и обработка. Сетевой анализ печатных плат не будет добавлен, как E-test. В логической обработке для функционального анализа будет добавлен только вспомогательный слой.

 

Применение ИИ в AOI:

Как ключевой процесс контроля качества при производстве печатных плат, процесс AOI требует большего ручного участия в процессе подтверждения на машине обслуживания. Операторам необходимо классифицировать ложные дефекты, устранять дефекты и дефекты брака, выполнять соответствующие действия по ремонту или маркировке на плате и одновременно записывать отчет о качестве. В этих ссылках отрасль обеспокоена тем, как повысить эффективность производства, сократить производство. затраты (особенно затраты на рабочую силу) и уменьшить отклонения в качестве, вызванные человеческим фактором (вытирание цветов в процессе обработки, неверная оценка и упущение в процессе подтверждения и т. д.).

Как упоминалось ранее, применение алюминиевой технологии заключается в решении практических задач простым и практичным способом. В отличие от современного интеллектуального освещения, традиционное освещение может включать/выключать свет простым нажатием на выключатель. Интеллектуальное освещение требует извлечения мобильного телефона, чтобы включить приложение, включить свет и отрегулировать яркость цвета или с помощью голосового управления, но этот процесс становится более громоздким. необходимо избежать поведения Al для Al, но сформировать набор ценных схем. Обсуждение разделено на три части: загрузка и выгрузка, обнаружение AOI и подтверждение CVR.

Загрузка и разгрузка:

Погрузка и разгрузка включает в себя погрузку и разгрузку AOL и машины технического обслуживания. Все больше и больше производителей внедряют схемы автоматизации, такие как конвейерная лента и манипулятор, для повышения эффективности и снижения трудозатрат. Тележка AGV также используется для передачи материалов между сканером AOI и машиной для технического обслуживания. Если для погрузки и разгрузки используются интеллектуальные роботы, необходимо оценить стоимость и эффективность интеллектуальных роботов.

Обнаружение АОИ:

В основном это включает в себя работу оборудования AOI и логическую операцию. Система приложений AOI упростила различные операции (извлечение номера элемента, выравнивание, оптическую коррекцию и настройку приложения) и в основном реализовала одну ключевую операцию. точным. Поэтому, в соответствии с текущей ситуацией, процесс работы AOL пока не нуждается в оптимизации с помощью технологии Al. Если визуальная система или система распознавания речи вынуждены работать с системой AOI, весь процесс станет более сложным. После многих лет итераций и оптимизации логика обнаружения AOL была оценена в соответствии с процессом обучения глубокому обучению и стала оптимальной моделью обнаружения. Что касается эффективности логической операции, как и другие, визуальный алгоритм AOL также использует множество операций умножения матриц и свертки, потому что GPU может эффективно обрабатывать операции умножения матриц и свертки. Можно предсказать, что GPU будет все больше и больше использоваться для сушки AOI для повышения эффективности логической операции. Последующая обработка AOI является ключевым звеном применения технологии Al, то есть подтверждением станции сухого обслуживания применения технологии Al, поэтому как уменьшить капиталовложения в оборудование и трудозатраты.

CVR-подтверждение:

Этот процесс является наиболее важной частью, в основном включая фильтрацию ложных точек и классификацию истинных точек. Если уровень ложных точек может быть уменьшен, обработка платы, инвестиции в оборудование для обслуживания и затраты на оплату труда по обслуживанию будут соответственно снижены. Ложная точка здесь относится не к логической ложной точке (дефект, о котором сообщается без какой-либо аномалии), а к дефекту, о котором не следует сообщать, например, к пыли, бессвязным посторонним веществам и окислению. Согласно статистике, такие «ложные точки ” составляют менее 30% и до 80% от общего числа дефектов (эта доля будет сильно различаться в зависимости от производственного оборудования разных производителей, управления процессом, производственной среды и других факторов). См. Рисунок 6 для общей диаграммы ложных точек.

Недостатки подъема инородных тел:

Как обсуждалось в предыдущих визуальных трудностях, невозможно определить материал и высоту инородного тела, особенно сочетание между инородным телом и поверхностью пластины (имеет ли инородное тело вязкость) или наличие дефектов, скрытых под инородным телом. тела, а также невозможно точно различить точки окисления, вмятины на медной поверхности или точечные отверстия только через изменение серого 2D-карты серого (даже карты RGB-канала цветного изображения). Поэтому в реальном производстве, когда операторы станции технического обслуживания столкнутся с такими дефектами, они будут использовать вспомогательные инструменты (сжатый воздух, липкий валик для пыли, ластик или волоконный ластик и т. д.) для очистки и подтверждения типа дефекта. Если вы хотите добавить систему al Vision в эту ссылку, чтобы уменьшить количество таких ложных точек, вы должны подумать, как преодолеть интерференцию различных типов посторонних объектов, окисление, различия в рисунках травления и т. Д., Что требует от системы использования 3D-образцов в качестве обработки. объект, так же как анализ исключения PCB требует SEM или среза. Учитывая, что доля таких дефектов достигает 3% ~ 10% (колеблется в зависимости от беспыльного управления мастерской AOL, цикл обслуживания каждого жидкого лекарства цилиндр линии травления, цикл очистки диафрагменной пленки, обработка краев пластины после резки и т. д.), если алюминий просто наносится на основе существующего оборудования, результат должен быть таким, что хотя все технологии снижают трудозатраты, но в то же время время, это серьезно повлияет на качество продукции.

Перспективы ИИ для истинной обработки дефектов:

Итак, каковы перспективы Al для обработки истинных дефектов? Когда операторы CVR подтверждают, что дефекты являются истинными дефектами, они обычно делят истинные дефекты на ремонт и списание, и эти дефекты могут обрабатываться в режиме онлайн или в автономном режиме. Обработка в режиме реального времени относится к оперативное исправление дефектов ремонта в процессе подтверждения, а информация об утилизации дефектов отмечается на доске. Обработка в автономном режиме относится только к маркировке дефектов или вводу кодов дефектов во время подтверждения, а затем к их передаче другому персоналу или оборудованию для ремонта. или утилизация. Автор считает, что применение Al для фильтрации ложных дефектов или классификации истинных дефектов зависит от частоты ложных баллов, распределения дефектов и структуры печатных плат завода печатных плат, и необходимо сформулировать соответствующие правила применения искусственного интеллекта ( например, указание подъездной дороги для беспилотных автомобилей), или предоставить Алу более сильную систему восприятия, чтобы Ал мог очистить Если система освещения оптимизирована или используется 3D-изображение, трудно добавить новые аппаратные подсистемы. Сначала оптимистично продвигать строительство новой инфраструктуры: импортировать систему больших данных. Требуемые образы дефектов могут быть собраны через систему CDB и VVS CIMS. Классификация дефектов в VVS (система виртуального подтверждения) может не только значительно сократить инвестиции в оборудование CVR, но и пометить изображения дефектов для подготовки к внедрению технологии Al. После добавления системы VVS и технологии Al в систему базы данных CDB, только CVR необходимо бороться с недостатками, которые нельзя судить по фотографиям. После достаточного обучения и итерации модели (особенно непрерывного обновления новых материалов и новых процессов) все распознавание искусственного интеллекта может быть в основном реализовано.

Заключение:

Несмотря на то, что технология AL широко используется в обработке изображений AOI, по-прежнему существуют огромные сценарии применения и пространство в звене обслуживания. Особенно сегодня, с быстрой итерацией алгоритма, будущая система обслуживания будет интеллектуальной системой обслуживания, объединяющей различные алгоритмы. Конечно, эти все алгоритмы могут быть простыми алгоритмами регрессии и классификации, а также сложным обучением с подкреплением и структурированным обучением. Сильный искусственный интеллект и слабый искусственный интеллект сегодня являются спорными философскими вопросами.