Leiterplattentechnisch - Anwendung in der optischen Inspektion von Leiterplatten AOI

Beitritt zum Leiterplattenindustrie Vor zwanzig Jahren, Das Einarbeitungstraining ist direkt vor Ort, um mit jedem Prozess vertraut zu sein. PCB. Damals, Besonders beeindruckt hat mich das Praktikum in der Galvanikanlage. Aufgrund der rauen Arbeitsumgebung und der schnellen Fluktuation des Personals, die Galvanikanlage hat die längste "Übungszeit". Vor jedem Tank der Galvanikanlage wird ein Timer aufgehängt. Es ist notwendig, die PCB Brett im Hängekorb von einem Tank zum nächsten entsprechend der eingestellten Zeit, bis der gesamte Galvanikprozess abgeschlossen ist. Das Be- und Entladen der meisten anderen Prozesse erfolgt ebenfalls manuell, und die Qualitätsprüfung nach der Ätzlinie ist auch manuell visuell. Mit dem kontinuierlichen Anstieg der Arbeitskosten, Die meisten der manuellen Arbeit und sogar ein kleiner Teil der geistigen Arbeit in PCB Herstellung durch Mechanisierung ersetzt worden, Elektrifizierung, Automatisierungs- und Informationstechnik. Im Prozess der intelligenten Umsetzung, Es wurde festgestellt, dass die meisten PCB Fertigungsanlagen konnten intelligente Anforderungen nicht vollständig erfüllen, und die entsprechende Transformation zielte hauptsächlich auf Automatisierung ab. Zur Zeit, es gibt keine einheitliche Schnittstellenspezifikation für PCB Produktionsanlagen. Einige Hersteller lernen von der Schnittstellenspezifikation von Halbleitergeräten, aber wegen seiner hohen Kosten, Es ist vorübergehend nicht in der Lage, weit verbreitet in Leiterplattenherstellung. Alle PCB Hersteller entwerfen ihre eigenen Spezifikationen nach ihren eigenen Bedürfnissen, und der Status quo kann als vielfältig beschrieben werden.

1. Künstliche Intelligenz KI

Artificial intelligence is the subject of studying certain thought processes and intelligent behaviors (such as learning, Begründung, Denken, Planung, etc.) of people by using computers to simulate humans. Es ist ein Zweig der Informatik. Die Forschung auf diesem Gebiet umfasst hauptsächlich Robotik, Spracherkennung, und Bilder. Anerkennung, Verarbeitung natürlicher Sprache, Simulationssystem und Expertensystem, etc. Wenn Menschen über künstliche Intelligenz sprechen, machine learning (ML, Deep Learning), deep learning (DL, Deep Learning), deep neural network (DNN, Tiefes neuronales Netzwerk), Faltungal neural network (CNN, Convolutional Neural Network) and other concepts Often mentioned. KI ist das Ziel, das Menschen verfolgen, und maschinelles Lernen ist der wichtigste Weg, KI zu erreichen. Häufig verwendete Algorithmen für maschinelles Lernen umfassen lineare Regression, logistische Regression, Integrationsmethoden, Unterstützung von Vektormaschinen, Neuronale Netze, und Deep Learning. Maschinelles Lernen hängt davon ab, ob es Datenbeschriftungen gibt oder nicht. Es kann in betreutes Lernen unterteilt werden, halbüberwachtes Lernen, unbeaufsichtigtes Lernen, Verstärkung des Lernens, Strukturiertes Lernen und Transferlernen. Deep Learning ist einer der am häufigsten verwendeten Algorithmen im maschinellen Lernen, speziell für die Anwendung von Computer Vision. Tiefe neuronale Netzwerke sind eine Reihe von Deep Learning Methoden, die die Mechanismen des menschlichen Gehirns imitieren. Die Tiefe, convolution, und neuronales Netzwerk werden im Folgenden separat diskutiert.

1.1. Faltungsbetrieb

Definition von Faltungsbetrieb: Faltungsbetrieb ist weit verbreitet in Signal- und Linearsystemen, digitalen Signalverarbeitung und Bildverarbeitungssystemen. Aus der mathematischen Definition (Gleichung 1) ist Faltung eine Funktion (Einheitenantwort oder Faltungskern). Gewichtete Überlagerung auf eine andere Funktion (Eingangssignal).

Im Bereich der Computer Vision definiert der Faltungskern einen bestimmten Modus. Die Faltungsoperation besteht darin, den Grad der Ähnlichkeit zwischen jeder Position und dem Modus zu berechnen. Je ähnlicher die aktuelle Position und der Modus, desto stärker die Reaktion. Der Faltungskern ist normalerweise eine kleine ungerade Zeilen- und Spaltenmatrix, und das digitale Bild ist eine relativ große 2-dimensionale (mehrdimensionale oder mehrkanalige Feature Map) Matrix. Wenn Faltung durchgeführt wird, ist es in Form eines Schiebefensters, von links nach rechts. Von oben nach unten werden die entsprechenden Positionen jedes Kanals multipliziert und summiert. Wenn der Faltungskern als Gewicht (Gewicht) betrachtet wird, und der Vektor als w gezeichnet wird, und der Pixel an der entsprechenden Position des Bildes als Vektor gezeichnet wird, dann kann das Ergebnis der Faltung an dieser Position als Formel (2) ausgedrückt werden, das heißt, das Vektorinnere Produkt (Bias).

Das obige ist, die Faltungsoperation aus der Sicht der Funktion zu verstehen. Nachfolgend finden Sie eine weitere Erläuterung durch zwei bekannte Anwendungsbeispiele. Abbildung 1 ist die morphologische Nachweislogik, die in der frühen AOI verwendet wird. The preset detection template matrix (convolution kernel) slides on the scanned image. Wenn die Grafik die von der Vorlage definierten Eigenschaften erfüllt, die entsprechenden Feature-Informationen werden generiert, Die Merkmalsinformationen der Standardgrafik werden verglichen, um die Position des Defekts herauszufinden. Abhängig von der Form des Defektpunktes, AOI needs to define different detection logics (template matrices), wie T, Y, L, K, und H, etc. AOI-Ingenieure müssen die Parameter der Detektionsvorlagenmatrix iterativ optimieren, gutes Faltungskernel Design, Wird gute Testergebnisse liefern. Abbildung 2 ist die Gaußsche Bildglättung, die häufig in der Bildverarbeitung verwendet wird. Es ist zu sehen, dass die Grauwertverteilung des verarbeiteten Bildes auf der rechten Seite gleichmäßiger ist, und das Rauschen im Bild wird glatt gefiltert. Der Schlüssel zur Anwendung der Faltungsoperation liegt im Design des Faltungskerns. Die Hauptfunktion in der Bildverarbeitung ist: Bildvorverarbeitung und Merkmalsextraktion, und das resultierende Merkmalsbild wird zum nächsten Link zur Analyse und zum Verständnis ausgegeben.
1.2. Deep Neural Network

Neuronales Netzwerk ist ein mathematisches Modell, das eine Struktur verwendet, die den synaptischen Verbindungen der Nerven des Gehirns ähnelt, um Informationen zu verarbeiten. Es ist auch ein von der Biologie inspiriertes Programmierparadigma, das es Computern ermöglicht, aus Beobachtungsdaten zu lernen und optimale Wege zu finden, um Probleme zu lösen. Künstliches neuronales Netzwerk hat zwei extrem wichtige Konzepte der biologischen neuronalen Netzwerk-Recheneinheit und Verbindungsgewicht absorbiert. Nehmen Sie als nächstes das bekannte Beispiel "AOI Equipment Evaluation", um zu verstehen, wie Neuronen funktionieren.

Hypothese: A PCB Hersteller muss AOI-Ausrüstung kaufen. AOI-Ingenieure entscheiden in der Regel, ob sie die AOI-Ausrüstung eines Lieferanten kaufen, basierend auf folgenden Faktoren:, falscher Punktsatz, Anpassungsfähigkeit von Materialien und Prozessen, einfache Bedienung und Produktionskapazität, etc. Diese Bewertungspunkte sind nicht nach Gewicht geordnet. Unterschiedlich PCB Hersteller haben unterschiedliche Bedenken und ihre Gewichte sind unterschiedlich eingestellt. Zum Beispiel, manufacturer A produces high-end products with special materials and complex Herstellung processes, die hohe Gewichte auf Inspektionsfähigkeiten und Anpassungsfähigkeit setzen. Wert; während Hersteller B Low-End-Produkte produziert, Es kann auf einfache Bedienung und Scangeschwindigkeit achten. Which items (or called inputs, Prädiktoren, Merkmale, these are concepts in machine learning) need to be used for evaluation, je nach tatsächlicher Situation, Dieser Prozess ist Merkmalsextraktion oder Merkmalsextraktion. Ersetzen der oben genannten Auswertungspunkte und der entsprechenden Gewichtswerte als Eingabe in das Neuronmodell der Abbildung 3, Die entsprechenden Eigenwerte können anhand der obigen linearen Funktion berechnet werden, und dann durch die nichtlineare Aktivierungsfunktion, the value of 0 to 1 (or -1 to 1) can be obtained. Eine bestimmte Zahl zwischen, um den logischen Betrieb biologischer Neuronen zu simulieren. Wenn sich Gewichte und Verzerrungen ändern, verschiedene Entscheidungsmodelle können erhalten werden. Im Deep Learning, das Gewicht w und Bias b werden durch Daten bestimmt, und Gewicht und Verzerrung sind die Parameter des Faltungskerns.

Wenn der Ausgang jedes Neurons ein biologisches neuronales Netzwerk simuliert und mit dem Eingang des nächsten Neurons verbunden ist, kann ein künstliches neuronales Netzwerk gebildet werden (siehe Abbildung 4). Die Eingabe des Auswertungspunktes "Falschpunktrate" im obigen Beispiel wird durch die Ausgabe des oberen Neurons bestimmt. Um das Ergebnis vorherzusagen, ist es notwendig, eine Entscheidung basierend auf dem Eingangs- und Verbindungsgewicht des oberen Neurons zu treffen, wie z. B.: 1. Ob mehrere Partitionen verwendet werden sollen Die Erkennungs-Engine wird verwendet, um die nicht-kritischen Mängel von nicht-kritischen Bereichen zu filtern; 2. Ob die Vollspektrum-Lichtquelle verwendet wird, um sicherzustellen, dass ein klares Bild erhalten wird; 3. Ob der berührungslose Linearmotor verwendet wird, um die glatte Bewegung des gemessenen Objekts sicherzustellen, um ein stabiles Bild usw. zu erhalten.

Deep Learning ist eine leistungsstarke Sammlung von vielen Lernalgorithmen für das Lernen neuronaler Netzwerke. Im weitesten Sinne, Es ist der Prozess der Lösung der Beziehung zwischen Input und Output, und im engeren Sinne, Es ist der Prozess der Lösung des Gewichts und der Verzerrung von Neuronen. Das neuronale Netzwerk ist entsprechend der Eingangsschicht verbunden, Versteckte Schicht und Ausgabeschicht entsprechend dem Netzwerktyp, um ein tiefes neuronales Netzwerk zu bilden. Die Anzahl der versteckten Schichten und Funktionsmodule bestimmt die Tiefe und Art des neuronalen Netzes, wie FNN, CNN, RNN, und GAN. Der Prozess des Deep Learning besteht darin, zuerst die markierten Daten des Trainingssets in das neuronale Netzwerk einzugeben., und nach jeder Schicht der neuronalen Netzwerkverarbeitung, um den Fehler zwischen dem Ausgabeergebnis und dem erwarteten Wert zu minimieren, das ist, the loss function is minimized (the loss function is usually used to measure The deviation between actual behavior and expected behavior), Der Prozess besteht hauptsächlich darin, Gewichte und Verzerrungen iterativ durch Vorwärtspropagation zu aktualisieren, BP-Algorithmus, und Verlustfunktion. Im Prozess der Ausbildung neuronaler Netze, Wir stoßen oft auf die Probleme des Gradientenverschwindens oder der Gradientenexplosion, Training zu langsam und zu fit. Das Thema ist zu groß, um hier ausführlich zu diskutieren.
1.3. AI application scenarios

The Künstliche Intelligenz system is mainly composed of three parts: 1. Informationseingabe. Die sich dynamisch verändernde physische Welt durch verschiedene Sensorik wahrnehmen, dadurch eine große Datenmenge zu erhalten; 2. Entscheidungsverarbeitung. Wenden Sie die große Datenmenge auf das Modell an, das maschinelles Lernen für die Argumentation erhält, Vorhersage oder Entscheidungsfindung; 3. Ausführungsausgabe. Führen Sie entsprechende Aktionen basierend auf den Ergebnissen der Inferenz oder Vorhersage durch. Kurz gesagt, Es ist, ein Vorhersagemodell für eine große Menge von Eingabedaten durch Regression zu erstellen, Integration und andere Algorithmen für maschinelles Lernen, und wenden Sie das gebaute Modell auf den tatsächlichen Datensatz an, um das Vorhersageergebnis zu erhalten. KI ist in den Bereichen Finanzen weit verbreitet, medizinische Versorgung, Bildung, öffentliche Sicherheit, Transport, Kommunikation, Landwirtschaft, Meteorologie, und Dienstleistungsbranchen. Tabelle 1 listet einige gängige KI-Anwendungsszenarien auf.
2. AOI automatic optical inspection

I briefly introduced the basic concepts of AI artificial intelligence, und erwähnte Computer Vision Algorithmen, die häufig in der KI verwendet werden. Diese Vision Algorithmen sind auch weit verbreitet in AOI. AOI automatische optische Inspektion wird von der manuellen visuellen Inspektion entwickelt. Das Arbeitsprinzip lautet:, Die benötigten Bildmerkmalinformationen werden durch den visuellen Algorithmus aus den Standard-CAM-Daten "gelernt", und dann für das Training auf dem gescannten Bild von jeder PCB. Sammeln Sie die erlernten Modelle für die Merkmalsextraktion, Vergleich der erhaltenen Feature-Bilder mit Standarddaten, and report the problem points that need to be detected according to the given rules (detection standards). Da AOI eine typische Anwendung der Computer Vision ist, es hat die gleichen Schwierigkeiten wie Computer Vision.
2.1. Visual difficulties in AOI
Information loss in the imaging process: When a person tries to understand an image, Die bisherigen Erfahrungen und Kenntnisse werden für die aktuelle Beobachtung verwendet. Der Prozess des Verstehens des Bildes wird normalerweise unbewusst abgeschlossen. Computer Vision muss Ergebnisse und Methoden in der Mathematik einbeziehen, Mustererkennung, artificial intelligence, Psychophysiologie, Informatik, Elektronik, und andere Disziplinen. Daher, für AOI, weil die 3D PCB Brettszene wird in den 2D Raum projiziert, viele Informationen gehen verloren, insbesondere die Tiefeninformation, wie Beleuchtung, Materialeigenschaften, Orientierung und Entfernung, etc., werden als einziger Messwert reflektiert – grau Degree value. Die Projektion derselben 2D-Ebene kann durch eine unendliche Anzahl möglicher 3D-Szenenprojektionen erzeugt werden. Daher, Der umgekehrte Prozess von 2D zu 3D ist ein schlecht konditionierter Prozess, oder schlecht gestelltes Problem. Die Beobachtungsdaten reichen nicht aus, um die Lösung des Problems einzuschränken, so ist es notwendig, die ersten Testkenntnisse zu verwenden oder entsprechende Einschränkungen einzuführen. Zum Beispiel, bei AOI-Inspektion, it is often encountered that there is an open circuit on the scanned image (2D image), Aber in der Tat kann es ein echter offener Kreislauf sein, oder Oxidationsflecken, Restkleber, dust on the line (3D scene)...
Lokales Fenster und globale Ansicht: Normalerweise, Der Bildanalysealgorithmus muss die spezielle Speichereinheit im Speicher und seine angrenzenden Einheiten analysieren und bedienen. Wenn das Bild aus der lokalen Ansicht erhalten werden kann oder nur einige lokale kleine Löcher, die Interpretation eines Bildes ist in der Regel sehr schwierig. AOI scannt die angegebene Breite nach verschiedenen Auflösungen und teilt sie zur Verarbeitung in Bildblöcke der angegebenen Größe auf. Daher, Der Detektionsalgorithmus von AOI wird auch teilweise analysiert und verarbeitet. Es wird nicht hinzugefügt werden PCB Netzwerkanalyse wie E-Test, nur in der Logikverarbeitung. Add an auxiliary layer for functional analysis
As a key process of quality control in PCB Herstellung, im AOI-Verfahren, Der Bestätigungsprozess an der Überholungsmaschine erfordert mehr manuelle Beteiligung, und der Bediener muss nach falschen Mängeln reparieren.