Tecnología de PCB - Aplicación de Aoi en la detección óptica de PCB

Añadir Industria de Placa de circuito impreso Hace 2...0 años, La formación inicial se lleva a cabo directamente en el puesto para familiarizarse con los siguientes procesos: Placa de circuito impreso. En ese momento, La práctica en la línea de producción de galvanoplastia me impresionó mucho.. Rápido movimiento de personal debido a las malas condiciones de trabajo, El tiempo de "práctica" de la línea de producción de galvanoplastia es el más largo. Un temporizador se cuelga delante de cada ranura de la línea de galvanoplastia. Requiere movimiento manual Placa de circuito impreso La placa se mueve de una ranura a la siguiente en el tiempo establecido en la cesta colgante hasta que todo el proceso de galvanoplastia se completa.. La mayoría de los demás procesos se cargan y descargan manualmente, La inspección de calidad después de la línea de grabado es también una inspección visual artificial. Con el aumento del costo de la mano de obra, La mayor parte del trabajo físico, o incluso una pequeña parte del trabajo mental Placa de circuito impreso La fabricación ha sido sustituida por la mecanización, Electrificación, Automatización y tecnología de la información. En el proceso de implementación inteligente, Encontrar la mayoría Placa de circuito impreso Los dispositivos de fabricación no pueden soportar plenamente los requisitos de inteligencia, Las modificaciones correspondientes se refieren principalmente a la automatización. En la actualidad, No hay especificaciones de interfaz uniformes Placa de circuito impreso Equipo de fabricación. Algunos fabricantes aprenden las especificaciones de la interfaz para dispositivos semiconductores, Pero debido a su alto costo, Incapacidad temporal para un uso generalizado Fabricación de Placa de circuito impreso. Todo Placa de circuito impreso Los fabricantes están diseñando sus propias especificaciones de acuerdo a sus necesidades, La situación actual puede describirse como diversa.

1.... Inteligencia artificial

Artificial intelligence is the subject of studying certain thought processes and intelligent behaviors (such as learning, Inferencia, Pensar, Plan, Etc..) of people by using computers to simulate humans. Es una rama de la informática.. La investigación en este campo incluye principalmente la robótica, Reconocimiento de idiomas, Y la imagen. Reconocimiento, Procesamiento del lenguaje natural, Sistema de simulación y sistema experto, Etc.. Cuando la gente habla de inteligencia artificial, machine learning (ML, Deep Learning), deep learning (DL, Deep Learning), deep neural network (DNN, Red neuronal profunda), Convoluciónal neural network (Catv News Network, Convolutional Neural Network) and other concepts Often mentioned. La inteligencia artificial es el objetivo que la gente persigue, El aprendizaje automático es la forma principal de realizar la inteligencia artificial. Los algoritmos comunes de Aprendizaje automático incluyen regresión lineal, Regresión lógica, Método de integración, Máquina vectorial de apoyo, Red Neural, Aprendizaje profundo. El aprendizaje automático depende de la disponibilidad de etiquetas de datos. Puede dividirse en Aprendizaje supervisado, Aprendizaje semisupervisado, Aprendizaje no supervisado, Refuerzo del aprendizaje, Aprendizaje estructurado y aprendizaje de transferencia. El aprendizaje profundo es uno de los algoritmos más utilizados en el aprendizaje automático, Especialmente la aplicación de la visión por ordenador. La red neuronal profunda es un método de aprendizaje profundo que imita el mecanismo del cerebro humano. Profundidad, convolution, Las redes neuronales se discutirán por separado a continuación.

1.1. Operación de convolución

Definición de la operación de convolución: la operación de convolución se utiliza ampliamente en sistemas de señales y lineales, procesamiento digital de señales y sistemas de procesamiento de imágenes. Por definición matemática (ecuación 1), la convolución es una función (respuesta unitaria o núcleo de convolución). Superposición ponderada de otra función (señal de entrada).

En el campo de la visión por ordenador, el núcleo de convolución define un patrón. La convolución se utiliza para calcular la similitud entre cada posición y patrón. Cuanto más similar es la posición actual y el patrón, más fuerte es la respuesta. El núcleo de convolución es generalmente una matriz de filas y columnas impares de pequeño tamaño, y la imagen digital es una matriz bidimensional (multi - dimensional o multi - canal) de tamaño relativamente grande. Cuando se realiza la convolución, toma la forma de una ventana deslizante, de izquierda a derecha, de arriba a abajo, donde las posiciones correspondientes de cada canal se multiplican y suman. Si el núcleo de convolución se considera peso, el vector se dibuja como W, y el píxel en la posición correspondiente de la imagen se dibuja como vector, entonces el resultado de convolución en esa posición se puede expresar como fórmula (2), es decir, producto interno vectorial + desviación.

Estas son las operaciones de convolución desde el punto de vista de la función. Aquí hay una explicación adicional a través de dos ejemplos de aplicación familiares. La figura 1 es la lógica de detección morfológica utilizada en Aoi temprano. The preset detection template matrix (convolution kernel) slides on the scanned image. Cuando el gráfico se ajusta a las características definidas por la plantilla, Se generará la información característica correspondiente, A continuación, compare la información característica del gráfico estándar para encontrar la ubicación del defecto. Depende de la forma del punto de defecto, AOI needs to define different detection logics (template matrices), Por ejemplo, T, Y, L, K, Y h, Etc.. Los ingenieros de Aoi necesitan optimizar iterativamente los parámetros de la matriz de plantillas de detección, Buen diseño del núcleo de convolución, Esto dará buenos resultados de prueba. La figura 2 es un suavizado de imagen gaussiano comúnmente utilizado en el procesamiento de imágenes. Se puede ver que la distribución del valor gris de la imagen procesada a la derecha es más uniforme., Y filtrar suavemente el ruido de la imagen. La clave de la aplicación de la operación de convolución es el diseño del núcleo de convolución. Las principales funciones del procesamiento de imágenes son: preprocesamiento de imágenes y extracción de características, La imagen característica generada se envía al siguiente enlace para su análisis y comprensión..
1.2. Deep Neural Network

Las redes neuronales son modelos matemáticos que utilizan estructuras similares a las conexiones sinápticas en el cerebro para procesar información. También es un paradigma de programación biológicamente inspirado que permite a las computadoras aprender de los datos observados y encontrar la mejor manera de resolver problemas. La red neuronal artificial absorbe dos conceptos muy importantes: la unidad de cálculo de la red neuronal biológica y el peso de conexión. A continuación, tome la evaluación familiar del dispositivo Aoi como ejemplo para entender cómo funcionan las neuronas.

Hipótesis: a Placa de circuito impreso Los fabricantes necesitan comprar equipos Aoi. Los ingenieros de Aoi suelen decidir si comprar el equipo de Aoi del proveedor sobre la base de los siguientes factores: capacidad de Inspección, Tasa de puntos falsos, Adaptabilidad de los materiales y procesos, Facilidad de funcionamiento y capacidad de producción, Etc.. Estos elementos de evaluación no están ponderados. Diferente Placa de circuito impreso Los fabricantes tienen diferentes preocupaciones y diferentes ajustes de peso. Por ejemplo:, manufacturer A produces high-end products with special materials and complex Industria manufacturera processes, Esto dará gran importancia a la capacidad de inspección y adaptabilidad. Valor El fabricante B produce productos de gama baja, Puede notar la conveniencia de la operación y la velocidad de escaneo. Which items (or called inputs, Factores predictivos, Características, these are concepts in machine learning) need to be used for evaluation, Depende de su situación real., El proceso es la extracción de características o la ingeniería de características. Los elementos de evaluación anteriores y los valores de peso correspondientes se sustituyen por el modelo neuronal de la figura 3.., Los valores propios correspondientes pueden calcularse sobre la base de las funciones lineales anteriores., Luego, a través de la función de activación no lineal, the value of 0 to 1 (or -1 to 1) can be obtained. Un número entre, Para simular el funcionamiento lógico de las neuronas biológicas. Con el cambio de peso y desviación, Se pueden obtener diferentes modelos de decisión. Aprendizaje profundo, El peso W y la desviación B están impulsados por datos, El peso y la desviación son parámetros del núcleo de convolución.

Si la salida de cada Neurona simula una red neuronal biológica y está conectada a la entrada de la siguiente Neurona, se puede formar una red neuronal artificial (ver figura 4). La entrada del elemento de evaluación "tasa de error de punto" en el ejemplo anterior se determina por la salida de la neurona superior. Para predecir los resultados, es necesario tomar decisiones basadas en los pesos de entrada y conexión de las neuronas superiores, por ejemplo: 1. Si se utilizan múltiples motores de detección de particiones para filtrar las deficiencias no críticas de las regiones no críticas; 2. Si se utiliza una fuente de luz de espectro completo para garantizar una imagen clara; 3. Si el Motor lineal sin contacto se utiliza para asegurar el movimiento suave del objeto medido para obtener una imagen estable, Etc..

El aprendizaje profundo es un poderoso conjunto de algoritmos de aprendizaje de redes neuronales. En sentido amplio, Es el proceso de resolver la relación entre la entrada y la salida, En sentido estricto, Este es el proceso para resolver el peso y la desviación de las neuronas. Conectar la red neural de acuerdo con la capa de entrada, La capa oculta y la capa de salida forman la red neuronal de profundidad de acuerdo con el tipo de red. El número de capas ocultas y módulos funcionales determina la profundidad y el tipo de red neural, Por ejemplo, fnn, CNN, Red neuronal circulante, Gan. El proceso de aprendizaje profundo es introducir los datos de marcado del conjunto de entrenamiento en la red neural en primer lugar., Y después de cada capa de procesamiento de red neural, Para minimizar el error entre el resultado de salida y el valor esperado, Eso es, the loss function is minimized (the loss function is usually used to measure The deviation between actual behavior and expected behavior), En este proceso, el peso y la desviación se actualizan mediante la iteración de propagación hacia adelante., Algoritmo BP, Función de pérdida. En el proceso de entrenamiento de la red neural, A menudo nos encontramos con problemas de desaparición de gradientes o explosión de gradientes, Entrenamiento demasiado lento y adaptación excesiva. El problema es demasiado grande para ser discutido aquí..
1.3. AI application scenarios

The Inteligencia artificial system is mainly composed of three parts: 1. Entrada de información. Percepción de un mundo físico dinámico a través de una variedad de dispositivos de detección, Para obtener una gran cantidad de datos; 2.. Proceso de adopción de decisiones. La gran cantidad de datos obtenidos se aplica al razonamiento del modelo de Aprendizaje automático, Previsión o decisión; 3.. Salida de ejecución. Realizar operaciones basadas en el resultado del razonamiento o la predicción. En resumen, Establece un modelo de predicción de una gran cantidad de datos de entrada a través de la regresión, Integración y otros algoritmos de Aprendizaje automático, El modelo se aplica al conjunto de datos real para obtener los resultados de la predicción.. La inteligencia artificial se ha utilizado ampliamente en el campo financiero, Atención médica, Educación, Seguridad Pública, Transporte, Comunicaciones, Agricultura, Meteorología, Industria de servicios. La Tabla 1 muestra algunos escenarios comunes de aplicación de Ia.
2. AOI automatic optical inspection

I briefly introduced the basic concepts of AI artificial intelligence, El algoritmo de visión por ordenador utilizado comúnmente en la inteligencia artificial se menciona en este documento.. Estos algoritmos de visión también se utilizan ampliamente en Aoi. La inspección óptica automática Aoi evolucionó de la inspección visual artificial. Funciona de la siguiente manera: primero, La información característica de la imagen necesaria para "aprender" de los datos cam estándar a través del algoritmo visual, Luego se utiliza para entrenar cada imagen escaneada Placa de circuito impreso. Recoger modelos de aprendizaje para la extracción de características, Las imágenes características obtenidas se comparan con los datos estándar, and report the problem points that need to be detected according to the given rules (detection standards). Porque AOI es una aplicación típica de la visión por ordenador, Tiene las mismas dificultades que la visión por ordenador.
2.1. Visual difficulties in AOI
Information loss in the imaging process: When a person tries to understand an image, La experiencia y los conocimientos previos se utilizarán para las observaciones actuales. El proceso de comprensión de la imagen se realiza generalmente inconscientemente. Las necesidades de la visión por ordenador se refieren a los resultados y métodos matemáticos, Reconocimiento de patrones, artificial intelligence, Psicofisiología, Informática, Electrónica, Y otras disciplinas. Por consiguiente,, Para Aoi, Porque 3D Placa de circuito impreso La escena del tablero se proyecta en el espacio 2d, Se perdió mucha información, Información detallada en particular, Por ejemplo, iluminación, Propiedades del material, Azimut y distancia, etc., Reflejar como un valor de medición único. La proyección del mismo plano 2d puede ser generada por un número infinito de posibles proyecciones de escena 3D. Por consiguiente,, El proceso inverso de 2D a 3D es un proceso enfermo, O problemas incómodos. La solución del problema de que los datos observados no son suficientes para limitar, Por lo tanto, es necesario utilizar el conocimiento de la primera prueba o introducir restricciones apropiadas. Por ejemplo:, En la inspección de la Aoi, it is often encountered that there is an open circuit on the scanned image (2D image), Pero de hecho, podría ser un verdadero camino abierto., Punto de oxidación, Goma residual, dust on the line (3D scene)...
Ventanas locales y vistas globales: generalmente, El algoritmo de análisis de imágenes necesita analizar y manipular la unidad de memoria especial y la unidad adyacente en la memoria. Cuando la imagen se puede obtener de la vista de detalle, o sólo de los agujeros locales, La interpretación de las imágenes suele ser muy difícil. Aoi escanea el ancho especificado de acuerdo a diferentes resoluciones y lo divide en bloques de imagen de tamaño especificado para su procesamiento.. Por consiguiente,, El algoritmo de detección de Aoi se analiza y procesa parcialmente.. No se añadirá a Placa de circuito impreso Análisis de la red, como la prueba e, Sólo en el procesamiento lógico. Add an auxiliary layer for functional analysis
As a key process of quality control in Placa de circuito impreso Industria manufacturera, En el proceso de Aoi, El proceso de validación en la máquina de revisión requiere más participación humana, El operador debe corregir los errores.