PCB技術 - PCB光学検査AOIへの応用

参加 PCB産業 20年前, 誘導訓練は、直接、各プロセスに精通している仕事にあります PCB. その時, 私は特に電気めっきラインのインターンシップに感銘を受けました. 厳しい労働環境と人員の急速なターンオーバーのために, 電気めっきラインは最長の「練習」時間を有する. 電気メッキラインの各タンクの前にタイマーを掛ける. 手動で移動する必要があります PCB すべての電気めっきプロセスが完了するまで、セットされた時間に従って、1つのタンクから次への絞首刑になるバスケットのボード. 他のほとんどのプロセスのロードとアンロードもマニュアルです, また、エッチングライン後の品質検査もマニュアル. 人件費の継続的増加, ほとんどの肉体労働と精神労働の小さな部分 PCB 製造は機械化に取って代わった, 電化, 自動化と情報技術. 知的実施の過程で, それが最も PCB 製造設備はインテリジェントな要求を完全には支持できなかった, そして、対応する変換は主に自動化を目的とした. 現在, 統一されたインタフェース仕様はありません PCB 製造設備. 半導体装置のインタフェース仕様から学ぶもの, 高いコストのため, 一時的には使用できない PCB製造. すべて PCB 製造業者は自分のニーズに応じて独自の仕様を設計している, そして、現状は多様である.

AI人工知能

Artificial intelligence is the subject of studying certain thought processes and intelligent behaviors (such as learning, 推理, 思考, 計画, etc.) of people by using computers to simulate humans. コンピューターサイエンスの分野. この分野の研究は主にロボットを含んでいる, 言語認識, とイメージ. 認識, 自然言語処理, シミュレーションシステムとエキスパートシステム, etc. 人工知能について話すとき, machine learning (Mエル, Deep Learning), deep learning (DL, Deep Learning), deep neural network (DNN, ディープニューラルネットワーク), 畳み込みal neural network (CNN, Convolutional Neural Network) and other concepts Often mentioned. AIは人々が追求している目標です, そして、機械学習は、AI. 一般的に使用される機械学習アルゴリズムは、線形回帰, ロジスティック回帰, 統合方法, サポートベクターマシン, ニューラルネットワーク, そして、深い学習. 機械学習はデータラベルかどうかに依存する. それは教師付き学習に分割できる, 半教師つき学習, 教師なし学習, 強化学習, 構造化学習と伝達学習. 深い学習は機械学習における最も一般的に使用されるアルゴリズムの一つである, 特にコンピュータビジョンの応用のために. 深い神経回路網は人間の脳の仕組みを模倣する一連の深い学習法である. 深さ, convolution, ニューラルネットワークは以下のように分けて論じられる.

1.1 .畳み込み操作

畳み込み操作の定義：畳み込み操作は広く信号と線形システム、デジタル信号処理、画像処理システムで使用されます。数学的定義（式1）から、畳込みは関数（単位応答または畳み込みカーネル）です別の関数（入力信号）上の重み付け重なり。

コンピュータビジョンの分野では、畳み込みカーネルはあるモードを定義します。畳込み操作は、各々のポジションおよびモード間の類似度の次数を計算することになっている。現在の位置とモードと同じように、応答はより強い。畳み込みカーネルは、通常、小さい奇数の行および列行列であり、デジタル画像は、比較的大きなサイズの2次元（多次元または多チャンネル特徴マップ）行列である。畳み込みが実行されるとき、それは上から下まで、左から右まで、スライディング・ウィンドウの形で、各々のチャンネルの対応するポジションを掛けられて、合計される。畳み込みカーネルを重み（重み）とし、ベクトルをWとし、画像の対応する位置の画素をベクトルとして描画すると、この位置での畳み込みの結果は式（2）、すなわちベクトル内積＋バイアスとして表現することができる。

以上が畳み込み演算を関数の観点から理解することである. 以下の2つのよく知られたアプリケーション例を通してさらに説明します. 図1は、AOI初期に使用される形態学的検出論理である. The preset detection template matrix (convolution kernel) slides on the scanned image. グラフィックがテンプレートにより定義される特性を満たすとき, 対応する機能情報が生成されます, 次に、標準グラフィックスの特徴情報を比較して欠陥の位置を求める. 欠陥点の形状によって, AOI needs to define different detection logics (template matrices), Tのような, Y, L, ケイ, アンド, etc. AOIエンジニアは検出テンプレート行列のパラメータを反復的に最適化する必要がある, 良い畳込みカーネル設計, 良いテスト結果を生成します. 図2は、画像処理において一般的に使用されるガウス画像平滑化である. 右側の処理画像のグレイ値分布は、より均一であることが分かる, そして、イメージの雑音は、滑らかに濾過される. 畳込み演算の応用の鍵は畳込みカーネルの設計にある. 画像処理における主要機能：画像前処理と特徴抽出, そして、結果の特徴イメージは分析と理解のために次のリンクに出力されます.
1.2. Deep Neural Network

神経回路網は、情報を処理するために脳の神経のシナプス接続に類似した構造を使用する数学モデルです。それはまた、コンピュータが観察データから学ぶことができて、問題を解決するために最適な方法を見つけることができる生物学に触発されたプログラミングパラダイムです。人工ニューラルネットワークは生物学的ニューラルネットワーク計算ユニットと接続重みの2つの非常に重要な概念を吸収した。次に、どのようにニューロンが動作するかを理解するために、「AOI機器評価」のよく知られた例を見てください。

仮説：A PCB メーカーは、AOI機器を購入する必要があります. aoiエンジニアは通常，以下の要因に基づいて，サプライヤーの製品を購入するかどうかを決定する, 偽点率, 材料・プロセスの適応性, 操作性と生産性, etc. これらの評価項目は重量によって配置されない. 異なる PCB メーカーには異なる懸念があります、そして、彼らの重さは異なってセットされます. 例えば, manufacturer A produces high-end products with special materials and complex 製造 processes, 検査能力と適応性に高い重みを設定する. 値メーカーBがローエンド製品を生産する間, 操作性や走査速度に注意することがあります. Which items (or called inputs, 予測子, 機能, these are concepts in machine learning) need to be used for evaluation, 実際の状況によって, このプロセスは特徴抽出または特徴工学です. 図3のニューロンモデルへの入力として上記の評価項目および対応する重み値を置き換える, 対応する固有値は、上記の線形関数, 非線形活性化関数, the value of 0 to 1 (or -1 to 1) can be obtained. 間の数, 生物ニューロンの論理演算をシミュレートするために. 重みとバイアスが変化するにつれて, 異なる決定モデルを得ることができる. 深い学習で, ウエイトWとバイアスBはデータによって駆動される, そして、重みとバイアスは畳込みカーネルのパラメータである.

各ニューロンの出力が生物学的神経回路網をシミュレートし、次のニューロンの入力に接続されている場合、人工神経回路網を形成することができる（図4参照）。上の例の評価項目「偽ポイント率」の入力は、上位レベルニューロンの出力により決定される。その結果を予測するためには，上位ニューロンの入力と接続重みに基づいて判定する必要がある。複数のパーティションを使用するかどうかは、検出エンジンは非臨界領域の非重要な欠点をフィルタリングするために使用されます（2）フルスペクトル光源を使用して鮮明な画像が得られるようにするかどうか3 .非接触リニアモータを使用して、被測定物の滑らかな動きを確保して安定した画像等を得るかどうか。

深い学習は、ニューラルネットワーク学習のための多くの学習アルゴリズムの強力なコレクションです. 広義に, これは、入力と出力の関係を解決するプロセスです, 狭義で, これは、ニューロンの重量とバイアスを解決するプロセスです. ニューラルネットワークは入力層に従って接続される, 深いニューラルネットワークを形成するためにネットワーク型による隠れた層と出力層. 隠れ層と機能モジュールの数はニューラルネットワークの深さと型を決定する, FNNなど, CNN, RNN, アンド. 深層学習の過程は、まず学習セットのラベルデータをニューラルネットワークに入力することである, ニューラルネットワーク処理の各層後, 出力結果と期待値との誤差を最小化するには, それで, the loss function is minimized (the loss function is usually used to measure The deviation between actual behavior and expected behavior), プロセスは主に前方伝搬を介して重みとバイアスを反復的に更新する, BPアルゴリズム, 損失関数. ニューラルネットワーク訓練の過程で, 勾配消失または勾配爆発の問題に遭遇する, あまりにもゆっくりとしたトレーニング. その話題は大きすぎてここで議論できない.
1.3. AI application scenarios

The 人工知能 system is mainly composed of three parts: 1. 情報入力. 様々なセンシングデバイスを通して動的に変化する物理世界を知覚する, これにより大量のデータを得る2. 決定処理. 推論のために機械学習で得られたモデルに得られた大量データを適用する, 予測または意思決定；3. 実行出力. 推論または予測の結果に基づいて対応する行動を実行する. 要するに, それは回帰を通して大量の入力データの予測モデルを構築することです, 統合と他の機械学習アルゴリズム, そして、予測結果を得るために実際のデータセットにモデルを適用する. AIは広く金融分野で使われてきた, 医療, 教育, 治安, 交通, コミュニケーション, 農業, 気象, サービス産業. 表1にいくつかの一般的なAIアプリケーションのシナリオを示します.
2. AOI automatic optical inspection

I briefly introduced the basic concepts of AI artificial intelligence, そして、AIでよく使われるコンピュータビジョンアルゴリズムに言及しました. これらのビジョンアルゴリズムは、AOI. AOI自動光学検査はマニュアル視覚検査から発展する. 作業原理は, 必要な画像特徴情報は、視覚的なアルゴリズムを通して標準CAMデータから「学習される」, そして、各々のスキャンされたイメージのトレーニングのために使われます PCB. 特徴抽出のための学習モデルの収集, 得られた特徴画像を標準データと比較する, and report the problem points that need to be detected according to the given rules (detection standards). AOIはコンピュータビジョンの典型的な応用である, それはコンピュータビジョンと同じ困難を持っている.
2.1. Visual difficulties in AOI
Information loss in the imaging process: When a person tries to understand an image, 以前の経験と知識は、現在の観測に使用されます. イメージを理解するプロセスは、通常無意識に完成する. コンピュータビジョンは数学の結果と方法を必要とする, パターン認識, artificial intelligence, 精神生理学, コンピューターサイエンス, 電子工学, その他の分野. したがって, 葵のために, 3 Dから PCB ボードシーンは2次元空間に投影される, 多くの情報が失われる, 特に深さ情報, 照明のような, 材料特性, 方向と距離, etc., 唯一の測定値グレイ度値として反映されます. 同じ2次元平面の投影は、無限の可能な3 Dシーン投影によって生成され得る. したがって, 2 Dから3 Dへの逆過程は、不良条件付け過程である, または悪い問題. 観測データは問題の解決を抑制するのに十分ではない, したがって、最初のテスト知識を使用するか、適切な制約を導入する必要があります. 例えば, 葵検査, it is often encountered that there is an open circuit on the scanned image (2D image), しかし、実際にそれは本当のオープンサーキットかもしれません, 酸化スポット, 残留膠, dust on the line (3D scene)...
ローカルウィンドウとグローバルビュー：通常, 画像解析アルゴリズムはメモリとその隣接ユニットの特殊記憶装置を解析し、操作する必要がある. ローカルビューまたはローカルの小さな穴だけから画像を取得することができます, イメージの解釈は、通常非常に難しいです. AOIは異なる解像度に従って指定された幅をスキャンして、それを処理のために指定されたサイズのイメージブロックに分割します. したがって, aoiの検出アルゴリズムも部分的に分析し，処理する. これは PCB Eテストのようなネットワーク解析, 論理処理のみ. Add an auxiliary layer for functional analysis
As a key process of quality control in PCB 製造, 葵工程, オーバーホールマシンの確認プロセスは、より多くのマニュアル参加を必要とする, そして、オペレータは誤った欠点に従って修理する必要がある.