Technologie PCB - Application dans l'inspection optique de PCB Aoi

Ayant rejoint l'industrie des PCB il y a 20 ans, l'orientation consiste à se familiariser avec chaque processus de PCB directement au travail. À l'époque, j'ai été particulièrement impressionné par mon stage sur la ligne de galvanoplastie. En raison de l'environnement de travail difficile et de la circulation rapide du personnel, la ligne de production de placage électrolytique "stage" dure le plus longtemps. Une minuterie est suspendue devant chaque fente de la ligne de placage. Il est nécessaire de déplacer manuellement la carte PCB dans le panier d'une fente à l'autre selon un temps défini jusqu'à ce que l'ensemble du processus de placage soit terminé. Le chargement et le déchargement de la plupart des autres processus sont également manuels et le contrôle de la qualité après la ligne de gravure est également manuel et visuel. Avec l'augmentation des coûts de main - d'œuvre, une grande partie du travail manuel et même une petite partie du travail mental dans la fabrication de PCB ont été remplacés par la mécanisation, l'électrification, l'automatisation et les technologies de l'information. Au cours de la mise en œuvre de l'intelligence, il a été constaté que la plupart des équipements de fabrication de PCB ne pouvaient pas pleinement répondre aux besoins d'intelligence et que les modifications correspondantes visaient principalement l'automatisation. À l'heure actuelle, il n'existe pas de spécifications d'interface uniformes pour les équipements de fabrication de PCB. Certains fabricants apprennent les spécifications d'interface pour les dispositifs à semi - conducteurs, mais ne peuvent pas être largement utilisés dans la fabrication de PCB pour le moment en raison de leur coût élevé. Tous les fabricants de PCB conçoivent leurs propres spécifications en fonction de leurs besoins et le statu quo est sans doute varié.

1. Intelligence artificielle

L’intelligence artificielle est la discipline qui étudie certains processus de pensée et comportements intelligents d’une personne (tels que l’apprentissage, le raisonnement, la pensée, la planification, etc.) en simulant les humains à l’aide d’ordinateurs. C'est une branche de l'informatique. La recherche dans ce domaine porte principalement sur la robotique, la reconnaissance du langage et les images. Reconnaissance, traitement du langage naturel, systèmes de simulation et systèmes experts, etc. quand on parle d’intelligence artificielle, d’apprentissage automatique (ML, Deep Learning), d’apprentissage profond (DL, Deep Learning), de réseaux neuronaux profonds (dnn, Deep Neural Network), de réseaux neuronaux convolutifs (CNN, Convolutional Neural Network). L'intelligence artificielle est l'objectif poursuivi par les gens, et l'apprentissage automatique est le principal moyen d'y parvenir. Les algorithmes d'apprentissage automatique couramment utilisés comprennent la régression linéaire, la régression logistique, les méthodes intégrées, les machines vectorielles de support, les réseaux neuronaux et l'apprentissage profond. Le Machine Learning dépend de la présence ou non d'étiquettes de données. Il peut être divisé en apprentissage supervisé, apprentissage semi - supervisé, apprentissage non supervisé, apprentissage par renforcement, apprentissage structuré et apprentissage par migration. Le Deep Learning est l'un des algorithmes les plus couramment utilisés dans le Machine Learning, en particulier dans les applications de vision par ordinateur. Les réseaux neuronaux profonds sont un ensemble de méthodes d'apprentissage profond qui imitent les mécanismes du cerveau humain. La profondeur, la convolution et les réseaux neuronaux sont discutés séparément ci - dessous.

1.1 Opérations de convolution

Définition des opérations de convolution: les opérations de convolution sont largement utilisées dans les systèmes de signal et linéaires, le traitement numérique du signal et les systèmes de traitement d'image. Par définition mathématique (équation 1), une Convolution est une fonction (réponse unitaire ou noyau convolutif). Superposition pondérée d'une autre fonction (signal d'entrée).

Dans le domaine de la vision par ordinateur, les noyaux convolutifs définissent un mode particulier. L'opération de convolution consiste à calculer le degré de similitude entre chaque position et chaque mode. Plus la position et le mode actuels sont similaires, plus la réponse sera forte. Les noyaux convolutifs sont généralement des matrices de lignes et de colonnes impaires de petite taille, et les images numériques sont des matrices à 2 dimensions (graphiques caractéristiques multidimensionnels ou multicanaux) de relativement grande taille. Lorsque la convolution est effectuée, elle se présente sous la forme d'une fenêtre coulissante, de gauche à droite, de haut en bas, les positions respectives de chaque canal étant multipliées et sommées. Si vous considérez un noyau de convolution comme un poids (weight), si vous dessinez un vecteur comme W et si vous dessinez un pixel à la position correspondante de l'image comme un vecteur, le résultat de la convolution à cette position peut être exprimé par la formule (2), c'est - à - dire produit vectoriel interne + offset.

Ce qui précède est de comprendre les opérations de convolution du point de vue des fonctions. Voici une explication plus détaillée à travers deux exemples familiers d'applications. La figure 1 est une logique de détection morphologique utilisée dans un AOI précoce. Une matrice prédéfinie de modèles de détection (noyaux convolutifs) glisse sur l'image numérisée. Lorsque le graphique correspond aux caractéristiques définies par le modèle, les informations de caractérisation correspondantes sont générées, puis les informations de caractérisation du graphique standard sont comparées pour déterminer où se trouvent les défauts. Selon la forme des points défectueux, l'AOI doit définir différentes logiques de détection (matrices de gabarit), telles que t, y, l, K et h, etc. les ingénieurs AOI doivent optimiser itérativement les paramètres de la matrice de gabarit de détection, une bonne conception du noyau de convolution, produira de bons résultats de test. La figure 2 est un lissage d'image gaussien couramment utilisé en traitement d'image. On voit que la répartition des valeurs de gris de l'image traitée à droite est plus homogène et que le bruit dans l'image est filtré en douceur. La clé de l'application des opérations de convolution réside dans la conception du noyau de convolution. Les principales fonctions dans le traitement de l'image sont: le prétraitement de l'image et l'extraction des caractéristiques, la sortie de l'image caractéristique résultante au lien suivant pour l'analyse et la compréhension. Réseaux neuronaux profonds

Un réseau neuronal est un modèle mathématique qui utilise des structures similaires aux connexions neurosynaptiques du cerveau pour traiter l'information. C'est aussi un paradigme de programmation biologiquement inspiré qui permet aux ordinateurs d'apprendre des données d'observation et de trouver la meilleure façon de résoudre les problèmes. Les réseaux neuronaux artificiels absorbent les concepts extrêmement importants d'unité de calcul de réseau neuronal biologique et de poids de connexion. Ensuite, prenez l’exemple familier de « l’évaluation du dispositif aoi» pour comprendre comment fonctionnent les neurones.

Hypothèse: les fabricants de PCB doivent acheter des appareils AOI. Les ingénieurs AOI décident généralement d'acheter ou non l'équipement AOI d'un fournisseur en fonction de facteurs tels que la capacité de détection, le taux de points imaginaires, l'adaptabilité des matériaux et des processus, la facilité d'utilisation et la capacité de production, etc. ces éléments d'évaluation ne sont pas classés par poids. Différents fabricants de PCB ont des préoccupations différentes et leurs paramètres de poids sont différents. Par exemple, le fabricant a fabrique des produits haut de gamme avec des matériaux spéciaux et des processus de fabrication complexes qui mettront l'accent sur la capacité de détection et l'adaptabilité. Valeur Lorsque le fabricant B fabrique des produits bas de gamme, il peut prêter attention à la facilité d'utilisation et à la vitesse de numérisation. Quels éléments (ou appelés Inputs, Predictors, features, qui sont tous des concepts dans le Machine Learning) doivent être utilisés pour l'évaluation, et en fonction de leur situation réelle, ce processus est l'extraction de caractéristiques ou l'ingénierie des caractéristiques. En remplaçant les éléments d'évaluation ci - dessus et les valeurs de poids correspondantes dans le modèle de neurone de la figure 3, il est possible de calculer les valeurs propres correspondantes à partir des fonctions linéaires ci - dessus, puis, en activant la fonction non linéaire, d'obtenir des valeurs de 0 à 1 (ou - 1 à 1). Un certain nombre entre afin de simuler le fonctionnement logique des neurones biologiques. Différents modèles de décision peuvent être obtenus à mesure que les pondérations et les biais changent. En Deep Learning, le poids W et l'écart B sont pilotés par les données, le poids et l'écart étant des paramètres du noyau de convolution.

Si la sortie de chaque neurone simule un réseau neuronal biologique et est connectée à l'entrée du neurone suivant, un réseau neuronal artificiel peut être formé (voir figure 4). L'entrée de l'élément d'évaluation "taux de faux points" dans l'exemple ci - dessus est déterminée par la sortie du neurone supérieur. Pour prédire les résultats, il est nécessaire de prendre des décisions en fonction des entrées et des poids de connexion des neurones supérieurs, par exemple: 1. Si plusieurs moteurs de détection de partition sont utilisés pour filtrer les inconvénients non critiques des zones non critiques; 2. Si une source de lumière à spectre complet est utilisée pour assurer une image claire; 3. Utilisez - vous un moteur linéaire sans contact pour garantir un mouvement en douceur de l'objet testé afin d'obtenir une image stable, etc.

Le Deep Learning est un ensemble puissant de nombreux algorithmes d'apprentissage utilisés pour l'apprentissage des réseaux neuronaux. Au sens large, c'est le processus de résolution des relations d'entrée et de sortie, au sens étroit, c'est le processus de résolution des poids et des biais neuronaux. Les réseaux neuronaux sont connectés par couche d'entrée, couche cachée et couche de sortie en fonction du type de réseau, formant un réseau neuronal profond. Le nombre de couches cachées et de modules fonctionnels détermine la profondeur et le type de réseau de neurones tels que fnn, CNN, rnn et Gan. Le processus de Deep Learning consiste d'abord à introduire les données de marquage de l'ensemble d'apprentissage dans le réseau de neurones, en minimisant, après chaque couche de traitement par le réseau de neurones, l'erreur entre le résultat de sortie et la valeur souhaitée, c'est - à - dire en minimisant la fonction de perte (La fonction de perte est généralement utilisée pour mesurer l'écart entre le comportement réel et le comportement souhaité), Le processus consiste principalement à mettre à jour itérativement les poids et les écarts par propagation ascendante, algorithme BP et fonction de perte. Au cours de l'entraînement des réseaux neuronaux, nous rencontrons souvent des problèmes avec des gradients qui disparaissent ou des gradients qui explosent, un entraînement trop lent et trop ajusté. Le sujet est trop grand pour être discuté en profondeur ici. Scénarios d'application de l'intelligence artificielle

Un système d'intelligence artificielle se compose principalement de trois parties: 1. Entrée d'informations. Percevoir le monde physique changeant dynamiquement à travers divers dispositifs de détection, ce qui permet d'obtenir de grandes quantités de données; 2. Traitement des décisions. Appliquer les grandes quantités de données obtenues aux modèles obtenus par machine learning pour le raisonnement, la prédiction ou la prise de décision; 3. Exécuter la sortie. Les opérations correspondantes sont effectuées en fonction des résultats inférés ou prédits. En bref, il s'agit d'établir un modèle prédictif pour un grand nombre de données d'entrée grâce à des algorithmes d'apprentissage automatique tels que la régression, l'intégration et d'autres, et d'appliquer le modèle établi à l'ensemble de données réel pour obtenir les résultats prédits. L'intelligence artificielle a été largement utilisée dans des domaines tels que la finance, la santé, l'éducation, la sécurité publique, les transports, les communications, l'agriculture, la météorologie et les services. Le tableau 1 répertorie certains scénarios courants d'application de l'IA. Aoi détection optique automatique

J'ai brièvement présenté les concepts de base de l'IA et j'ai mentionné les algorithmes de vision par ordinateur couramment utilisés dans l'IA. Ces algorithmes de vision sont également largement utilisés dans l'AOI. L'inspection optique automatique AOI a évolué à partir d'une inspection visuelle manuelle. Voici comment cela fonctionne: Tout d'abord, les informations nécessaires sur les caractéristiques de l'image sont "apprises" à partir des données Cam standard via un algorithme visuel, puis utilisées pour former les images numérisées de chaque PCB. Le modèle appris est collecté pour l'extraction des caractéristiques, l'image caractéristique obtenue est comparée à des données standard et les points problématiques à détecter sont rapportés selon des règles données (critères de détection). Comme l'AOI est une application typique de la vision par ordinateur, il présente les mêmes difficultés que la vision par ordinateur. Perte d'informations sur les difficultés visuelles lors de l'imagerie AOI: lorsqu'une personne tente de comprendre une image, l'expérience et les connaissances antérieures seront utilisées pour l'observation actuelle. Le processus de compréhension des images se fait souvent inconsciemment. La vision par ordinateur nécessite des résultats et des méthodes impliquant les mathématiques, la reconnaissance de formes, l'intelligence artificielle, la psychophysiologie, l'informatique, l'électronique et d'autres disciplines. Ainsi, pour l'AOI, une grande quantité d'informations est perdue, en particulier des informations de profondeur telles que l'éclairage, les caractéristiques des matériaux, l'orientation et la distance, etc., car la scène de carte PCB 3D est projetée dans l'espace 2D, se traduisant par des valeurs de gris de mesure uniques. La projection d'un même plan 2D peut résulter d'un nombre infini de projections possibles de scènes 3D. Le processus inverse de la 2D à la 3D est donc un processus pathologique, ou un problème pathologique. Les données d'observation ne sont pas suffisantes pour contraindre la résolution du problème, il est donc nécessaire d'utiliser les premières connaissances testées ou d'introduire des contraintes appropriées. Par example, lors d'une inspection AOI, on rencontre souvent la présence d'un circuit ouvert sur l'image scannée (image 2d), mais qui peut en réalité être un véritable circuit ouvert, ou encore des taches oxydées, de la colle résiduelle, de la poussière sur la ligne (scène 3D)... Fenêtres locales et vues globales: en général, les algorithmes d'analyse d'images nécessitent l'analyse et la manipulation de cellules mémoire spéciales et de leurs voisines dans la mémoire. L'interprétation d'une image est souvent très difficile lorsqu'elle peut être obtenue à partir d'une vue partielle ou seulement à partir de quelques petits trous localisés. L'AOI scanne la largeur spécifiée en fonction de différentes résolutions et la divise en blocs d'image de taille spécifiée pour le traitement. Ainsi, l'algorithme de détection de l'AOI est également partiellement analysé et traité. Il n'est pas ajouté à l'analyse réseau PCB comme e - test, mais seulement dans le traitement logique. L'ajout d'une couche auxiliaire pour l'analyse fonctionnelle en tant que processus clé pour le contrôle de la qualité de la fabrication de PCB, dans le processus AOI, le processus de confirmation sur la machine de révision nécessite une plus grande implication humaine et l'opérateur doit être réparé sur la base de faux défauts.