PCB 기술 - PCB 옵티컬 테스트에서의 AOI 활용

20년 전 PCB 업계에 입사해 입사 교육은 업무 중 PCB의 모든 과정을 직접 익히는 것이다.당시 나는 도금 생산 라인에서의 실습에 대해 특히 깊은 인상을 받았다.작업 환경이 열악하고 인원의 이동이 빠르기 때문에 도금 생산 라인의"연습"시간이 가장 길다.도금선의 각 슬롯 앞에는 타이머가 달려 있다.전체 도금 과정이 완료될 때까지 슬롯의 PCB 보드를 설정된 시간에 따라 슬롯에서 다음 슬롯으로 수동으로 이동해야 합니다.대부분의 다른 공정의 하역도 수동이며, 식각선 후의 품질 검사도 수동으로 본다.인건비가 계속 증가함에 따라 PCB 제조의 대부분의 육체 노동, 심지어 일부 정신 노동은 기계화, 전기화, 자동화 및 정보 기술로 대체되었습니다.지능화 실시 과정에서 대부분의 PCB 제조 설비가 지능화 수요를 완전히 지원할 수 없다는 것을 발견했고, 상응하는 개조는 주로 자동화를 겨냥했다.현재 PCB 제조 설비에는 아직 통일된 인터페이스 규범이 없다.일부 제조업체는 반도체 장비의 인터페이스 사양을 학습하지만 비용이 많이 들기 때문에 당분간 PCB 제조에서 널리 사용할 수 없습니다.모든 PCB 제조업체는 자신의 필요에 따라 자신의 사양을 설계하고 있으며 현재 상황은 다양성으로 표현 될 수 있습니다.

1. 인공지능

인공지능은 컴퓨터를 이용하여 인류를 모방하여 사람의 특정한 사유 과정과 지능 행위(예를 들어 학습, 추리, 사고, 계획 등)를 연구하는 학과이다.그것은 컴퓨터 과학의 한 갈래이다.이 분야의 연구는 주로 로봇, 언어 인식 및 이미지를 포함합니다.인식, 자연어 처리, 시뮬레이션 시스템, 전문가 시스템 등이다. 인공지능, 머신러닝(ML, Deep learning), 딥러닝(DL, Deep learning), 심층신경망(DNN, Deep neural network), 권적신경망(CNN, convolutional neural network)에 대해 이야기할 때.인공 지능은 사람들이 추구하는 목표이며, 기계 학습은 인공 지능을 달성하는 주요 방법입니다. 일반적으로 사용되는 기계 학습 알고리즘은 선형 회귀, 논리 회귀, 통합 방법, 벡터 기계, 신경 네트워크 및 딥 러닝을 지원합니다.기계 학습은 데이터 레이블이 있는지 여부에 따라 달라집니다.감독학습, 반감독학습, 무감독학습, 강화학습, 구조화학습, 마이그레이션학습으로 나눌 수 있다.딥 러닝은 기계 학습에서 가장 일반적으로 사용되는 알고리즘 중 하나이며 특히 컴퓨터 비전의 응용에서 특히 그렇습니다.딥 신경망은 인간의 뇌 메커니즘을 모방하는 딥 러닝 방법이다.깊이, 볼륨 및 신경망은 아래에서 별도로 논의됩니다.

1.1. 권적 연산

볼륨 연산의 정의: 볼륨 연산은 신호 및 선형 시스템, 디지털 신호 처리 및 이미지 처리 시스템에 널리 사용됩니다.수학적 정의 (등식 1) 에 따르면 볼륨은 함수 (단위 응답 또는 볼륨 코어) 입니다.다른 함수 (입력 신호) 에 대한 가중치 중첩.

컴퓨터 비전 분야에서 볼륨 코어는 특정 패턴을 정의합니다.볼륨 연산은 각 위치와 패턴 간의 유사도를 계산하는 것입니다.현재 위치와 패턴이 비슷할수록 응답이 강해집니다.볼륨 코어는 일반적으로 작은 크기의 홀수 행과 열 행렬이며, 디지털 이미지는 상대적으로 큰 크기의 2 차원 (다차원 또는 다중 채널 피쳐 그래프) 행렬입니다.볼륨을 실행할 때 슬라이딩 창의 형태로 왼쪽에서 오른쪽으로, 위에서 아래로 각 채널의 해당 위치가 곱하고 합쳐집니다.볼륨 핵을 가중치 (weight) 로 간주하고 벡터를 w로 그리고 이미지의 해당 위치의 픽셀을 벡터로 그리면 해당 위치의 볼륨 결과는 방정식 (2), 즉 벡터 내적 + 오프셋으로 표시될 수 있습니다.

이상은 함수의 각도에서 권적 연산을 이해하는 것이다.다음은 익숙한 두 개의 응용 프로그램 예제를 통해 자세히 설명한 것이다.그림 1은 초기 AOI에서 사용된 형태학적 감지 논리입니다.미리 설정된 검사 템플릿 행렬 (볼륨 코어) 이 스캔 이미지에서 미끄러집니다.도면이 템플릿에서 정의한 피쳐와 일치하면 해당 피쳐 정보가 생성되고 표준 도면의 피쳐 정보가 비교되어 결함의 위치를 찾습니다.AOI는 결함점의 형태에 따라 T, Y, L, K, H 등 다양한 검사 논리(템플릿 매트릭스)를 정의해야 한다. AOI 엔지니어는 검사 템플릿 매트릭스의 매개변수를 반복적으로 최적화해야 한다. 좋은 볼륨 코어 설계로 좋은 테스트 결과가 나온다.그림 2는 이미지 처리에서 일반적으로 사용되는 고스 이미지의 매끄러움입니다.오른쪽 처리 이미지의 그레이스케일 값이 더 균일하게 분포되어 이미지의 노이즈가 부드럽게 필터링되었음을 알 수 있습니다.권적 연산 응용의 관건은 권적 핵의 설계에 있다.이미지 처리의 주요 기능은 이미지 사전 처리와 특징 추출, 생성된 특징 이미지를 다음 단계로 출력하여 분석하고 이해하는 것이다.심층 신경망

신경망은 뇌의 신경시냅스 연결과 유사한 구조를 사용하여 정보를 처리하는 수학적 모델입니다.또한 컴퓨터가 관측 데이터에서 학습하여 문제를 해결하는 가장 좋은 방법을 찾을 수 있도록 생물학적으로 영감을 받은 프로그래밍 패러다임입니다.인공신경망은 생물신경망의 계산단위와 련결가중치라는 이 두가지 극히 중요한 개념을 흡수하였다.다음으로 익숙한"AOI 장비 평가"를 예로 들어 뉴런이 어떻게 작동하는지 알아봅니다.

가정: PCB 제조업체는 AOI 장비를 구입해야 합니다.AOI 엔지니어들은 일반적으로 검사 능력, 허점률, 재료 및 공정의 적응성, 조작 용이성 및 생산 능력 등 공급업체의 AOI 장비 구매 여부를 결정합니다. 이러한 평가 항목은 무게별로 정렬되어 있지 않습니다.PCB 제조업체마다 관심사가 다르고, 가중치 설정도 다르다.예를 들어, 제조업체 A는 특수 재료와 복잡한 제조 공정을 갖춘 고급 제품을 생산하며, 이는 검사 능력과 적응성에 높은 가중치를 설정합니다.가치제조업체 B가 로우엔드 제품을 생산할 때 작업의 용이성과 스캔 속도에 주의할 수 있습니다.어떤 항목 (또는 입력, 예측 인자, 특징이라고 하는데, 이것들은 모두 기계 학습의 개념이다) 이 평가에 사용되어야 하는지는 그것들의 실제 상황에 달려 있으며, 이 과정은 특징 추출 또는 특징 공정이다.상기 평가 항목과 상응하는 권한 값을 그림 3의 뉴런 모델에 대입하면 상기 선형 함수에 따라 상응하는 특징 값을 계산한 후 비선형 활성화 함수를 통해 0대 1(또는 -1대 1)의 값을 얻을 수 있다.사이에는 일정한 숫자가 있어 생물 뉴런의 논리적 조작을 시뮬레이션한다.가중치와 편차의 변화에 따라 서로 다른 의사결정 모델을 얻을 수 있다.딥 러닝에서 가중치 w와 편차 b는 데이터에 의해 구동되며, 가중치와 편차는 볼륨 핵의 매개변수입니다.

각 뉴런의 출력이 생체 신경망을 시뮬레이션하고 다음 뉴런의 입력에 연결되면 인공 신경망을 형성할 수 있습니다 (그림 4 참조).위의 예에서 평가 항목의 "가짜 점률" 입력은 상위 뉴런의 출력에 의해 결정됩니다.결과를 예측하기 위해서는 상급 뉴런의 입력과 연결 가중치에 따라 결정할 필요가 있다. 예를 들어 1.여러 파티션 감지 엔진을 사용하여 비핵심 영역의 비핵심 단점을 필터링할 것인지 여부;2. 선명한 이미지를 위해 전체 스펙트럼 광원을 사용할지 여부;3.비접촉식 직선전기를 사용하여 측정된 물체의 평온한 운동을 보장하여 안정적인 이미지를 얻는가 등.

딥 러닝은 신경망 학습에 사용되는 많은 학습 알고리즘의 강력한 집합입니다.넓은 의미에서는 입력과 출력의 관계를 해결하는 과정이고, 좁은 의미에서는 뉴런의 가중치와 편차를 해결하는 과정이다.신경망은 네트워크 유형에 따라 입력층, 은닉층, 출력층으로 연결되어 깊은 신경망을 형성한다.숨겨진 레이어 및 기능 모듈의 수는 FNN, CNN, RNN 및 GAN과 같은 신경망의 깊이와 유형을 결정합니다.딥 러닝의 과정은 먼저 훈련 세트의 태그 데이터를 신경망에 입력하고 각 레이어의 신경망 처리 후 출력 결과와 기대치 사이의 오차를 최소화합니다. 즉 손실 함수 (손실 함수는 일반적으로 실제 행동과 기대 행 사이의 편차를 측정하는 데 사용됩니다.) 를 최소화합니다.이 과정은 주로 전방향 전파, BP 알고리즘 및 손실 함수를 통해 가중치 및 편차를 반복적으로 업데이트합니다.신경망 훈련 과정에서 우리는 경도가 사라지거나 경도가 폭발하거나 훈련이 너무 느리고 의합이 너무 심한 문제에 자주 부딪힌다.이 문제는 너무 커서 여기에서 깊이 토론할 수 없다.AI 응용 시나리오

인공 지능 시스템은 주로 세 부분으로 구성된다: 1.정보 입력.각종 감지 장치를 통해 동적으로 변화하는 물리적 세계를 감지하여 대량의 데이터를 얻는다;2. 결정 처리.얻은 대량의 데이터를 기계 학습에서 얻은 모델에 응용하여 추리, 예측 또는 의사결정에 사용한다;3. 출력을 실행합니다.추론 또는 예측된 결과에 따라 적절한 작업을 수행합니다.간단히 말해서, 회귀, 포인트 등 기계 학습 알고리즘을 통해 대량의 데이터 입력을 위한 예측 모델을 만들고, 구축된 모델을 실제 데이터 세트에 응용하여 예측 결과를 얻는 것이다.인공지능은 이미 금융, 의료, 교육, 공안, 교통, 통신, 농업, 기상과 서비스업 등 분야에 광범위하게 응용되었다.표 1에는 몇 가지 일반적인 인공 지능 응용 시나리오가 나열되어 있습니다.AOI 자동 광학 검사

나는 인공지능의 기본 개념을 간략하게 소개하고 인공지능에서 자주 사용하는 컴퓨터 시각 알고리즘을 언급했다. 이러한 시각 알고리즘은 AOI에서도 광범위하게 응용된다.AOI 자동 광학 검사는 수동 시각 검사에 의해 진화합니다.먼저 표준 CAM 데이터에서 시각 알고리즘을 통해 필요한 이미지 특성 정보를"학습"한 다음 각 PCB의 스캔 이미지를 훈련하는 데 사용됩니다.학습된 모델을 수집하여 피쳐 추출을 수행하면 획득한 피쳐 이미지를 표준 데이터와 비교하고 주어진 규칙 (검사 표준) 에 따라 검사해야 할 문제점을 보고합니다.AOI는 컴퓨터 비전의 전형적인 응용이기 때문에 컴퓨터 비전과 같은 어려움을 가지고 있습니다.AOI 이미징 프로세스의 시각적 어려움 정보 손실: 한 사람이 이미지를 이해하려고 할 때 이전의 경험과 지식이 현재의 관찰에 사용됩니다.이미지를 이해하는 과정은 대개 무의식적으로 수행됩니다.컴퓨터 시각은 수학, 패턴 인식, 인공 지능, 정신 생리학, 컴퓨터 과학, 전자학 및 기타 학문의 결과와 방법을 다루어야합니다.따라서 AOI의 경우 3D PCB 보드 장면이 2D 공간에 투영되기 때문에 조명, 재료 특성, 방향 및 거리 등과 같은 많은 정보가 손실되고 특히 깊이 정보가 유일한 측정 값인 그레이스케일 값으로 반영됩니다.동일한 2D 평면의 투영은 무한히 많은 가능한 3D 장면 투영에 의해 생성될 수 있습니다.따라서 2D에서 3D로의 역과정은 병적인 과정이거나 불편한 문제이다.관측 데이터는 문제 해결을 구속하기에 충분하지 않으므로 1차 테스트 지식을 사용하거나 적절한 구속을 도입할 필요가 있습니다.예를 들어, AOI 검사에서 스캔 이미지 (2D 이미지) 에 회로가 존재하는 경우가 종종 있지만, 실제로는 실제 회로 또는 산화 반점, 잔류 접착제, 회선의 먼지 (3D 장면) 일 수 있습니다...로컬 창 및 전역 보기: 일반적으로 이미지 분석 알고리즘은 스토리지의 특수 저장 장치와 인접 장치를 분석하고 조작해야 합니다.이미지를 로컬 뷰에서 또는 일부 로컬 구멍에서만 가져올 수 있는 경우 이미지 해석은 대개 매우 어렵습니다.AOI는 다양한 해상도로 지정된 너비를 스캔하여 지정된 크기의 이미지 블록으로 분할하여 처리합니다.이에 따라 AOI의 검출 알고리즘도 일부 분석·처리됐다.E-Test처럼 PCB 네트워크 분석에 추가되지 않고 논리적 처리에만 추가됩니다.기능 분석의 보조층을 추가하는 것은 PCB 제조에서 품질 제어의 핵심 과정으로서 AOI 과정에서 대수리기에서의 확인 과정은 더 많은 인공적인 참여가 필요하며 운영자는 거짓된 단점에 따라 복구해야 한다.