Teknik PCB - Aplikasi dalam AOI pemeriksaan optik PCB

Bergabung dengan industri PCB 20 tahun yang lalu, latihan induksi adalah secara langsung pada kerja untuk menjadi familiar dengan setiap proses PCB. Pada masa itu, saya sangat terkesan dengan latihan di garis elektroplating. Kerana persekitaran kerja yang kasar dan pengubahan cepat dari pegawai, garis elektroplating mempunyai masa "latihan" yang paling panjang. Pemasa digantung di depan setiap tangki garis elektroplating. Ia diperlukan untuk memindahkan papan PCB secara manual dalam keranjang gantung dari satu tangki ke yang seterusnya mengikut masa ditetapkan sehingga keseluruhan proses elektroplating selesai. Pemuatan dan muatan kebanyakan proses lain juga manual, dan pemeriksaan kualiti selepas garis cetakan juga visual manual. Dengan peningkatan terus-menerus biaya kerja, kebanyakan kerja manual dan bahkan sebahagian kecil kerja mental dalam penghasilan PCB telah diganti oleh mekanisasi, elektrifikasi, automati dan teknologi maklumat. Dalam proses pelaksanaan cerdas, ditemukan bahawa kebanyakan peralatan penghasilan PCB tidak dapat menyokong sepenuhnya keperluan cerdas, dan perubahan yang sepadan adalah terutama bertujuan kepada automatasi. Pada masa ini, tiada spesifikasi antaramuka bersatu untuk peralatan penghasilan PCB. Beberapa pembuat belajar dari spesifikasi antaramuka peralatan setengah konduktor, tetapi kerana kos tinggi, ia sementara tidak boleh digunakan secara luas dalam pembuatan PCB. Semua penghasil PCB merancang spesifikasi mereka sendiri mengikut keperluan mereka sendiri, dan status quo boleh digambarkan sebagai berbeza.

1. Inteligensi buatan AI

Intelijen buatan adalah subjek untuk mempelajari proses fikiran tertentu dan perilaku cerdas (seperti belajar, berfikir, merancang, dll.) manusia dengan menggunakan komputer untuk simulasi manusia. Ia adalah cabang sains komputer. Penelitian dalam medan ini mengandungi robotik, pengenalan bahasa, dan imej. Pengenalan, pemprosesan bahasa semulajadi, sistem simulasi dan sistem pakar, dll Apabila orang bercakap tentang kecerdasan buatan, pembelajaran mesin (ML, Pelajaran Dalam), pembelajaran dalam (DL, Pelajaran Dalam), rangkaian saraf dalam (DNN, Rangkaian saraf dalam), rangkaian saraf konvolusi (CNN, Rangkaian saraf konvolusi) dan konsep lain yang sering disebut. AI adalah tujuan yang orang mengejar, dan pembelajaran mesin adalah cara utama untuk mencapai AI. Algoritma pembelajaran mesin yang biasa digunakan termasuk regresi linear, regresi logistik, kaedah integrasi, mesin vektor sokongan, rangkaian saraf, dan pembelajaran dalam. Pembelajaran mesin bergantung sama ada ada ada label data atau tidak. Ia boleh dibahagi menjadi pembelajaran yang diawasi, pembelajaran yang semi-mengawasi, pembelajaran yang tidak diawasi, pembelajaran kuasa, pembelajaran struktur dan pembelajaran pemindahan. Pembelajaran dalam adalah salah satu algoritma yang paling biasa digunakan dalam pembelajaran mesin, terutama untuk aplikasi visi komputer. Rangkaian saraf dalam adalah set kaedah belajar dalam yang meniru mekanisme otak manusia. Kedalaman, konvolusi, dan rangkaian saraf akan dibahas secara terpisah di bawah.

1. 1. Operasi konvolution

Definisi operasi konvolution: Operasi konvolution digunakan secara luas dalam sistem isyarat dan linear, pemprosesan isyarat digital dan sistem pemprosesan imej. Dari definisi matematik (Persamaan 1), konvolusi adalah fungsi (unit respons atau kernel konvolusi). ) Superposisi berat pada fungsi lain (isyarat input).

Dalam medan penglihatan komputer, kernel konvolusi menentukan mod tertentu. Operasi konvolusi adalah untuk mengira darjah persamaan antara setiap kedudukan dan mod. Semakin mirip kedudukan semasa dan mod, semakin kuat balasan. Kernel konvolusi biasanya merupakan matriks baris dan lajur yang bernombor pelik-saiz kecil, dan imej digital merupakan matriks 2-dimensi (peta ciri berbilang-dimensi atau berbilang-saluran). Apabila konvolusi dilakukan, ia adalah dalam bentuk tetingkap gelisah, dari kiri ke kanan, Dari atas ke bawah, kedudukan yang sepadan setiap saluran didarab dan ditambah. Jika kernel konvolusi dianggap sebagai berat (berat), dan vektor dilukis sebagai w, dan piksel pada kedudukan yang sepadan imej dilukis sebagai vektor, maka hasil konvolusi pada kedudukan ini boleh diekspresikan sebagai formula (2), iaitu, produk dalaman vektor + Bias.

Atas adalah untuk memahami operasi konvolusi dari sudut pandang fungsi. Berikut adalah penjelasan lanjut melalui dua contoh aplikasi yang biasa. Figure 1 adalah logik pengesan morfologi yang digunakan pada awal AOI. Matriks templat pengesan preset (kernel konvolution) slaid pada imej yang diimbas. Apabila grafik memenuhi ciri-ciri yang ditakrif oleh templat, maklumat ciri-ciri yang sepadan akan dijana, dan kemudian maklumat ciri-ciri grafik piawai dibandingkan untuk mencari kedudukan cacat. Bergantung pada bentuk titik cacat, AOI perlu takrifkan logik pengesan yang berbeza (matriks templat), seperti T, Y, L, K, dan H, dll. jurutera AOI perlu optimumkan parameter matriks templat pengesan secara berulang-ulang, rancangan kernel konvolusi yang baik, akan menghasilkan keputusan ujian yang baik. Figure 2 ialah penyelesaian imej Gaussia yang biasanya digunakan dalam pemprosesan imej. Ia boleh dilihat bahawa distribusi nilai kelabu imej yang diproses di sebelah kanan lebih seragam, dan bunyi dalam imej ditapis dengan lancar. Kunci untuk aplikasi operasi konvolusi terletak dalam desain kernel konvolusi. Fungsi utama dalam pemprosesan imej ialah: pemprosesan awal imej dan ekstraksi ciri, dan imej ciri yang menghasilkan adalah output ke pautan berikutnya untuk analisis dan pemahaman.1.2. Rangkaian Neural Dalam

Rangkaian saraf adalah model matematik yang menggunakan struktur yang sama dengan sambungan sinaptik saraf otak untuk memproses maklumat. Ia juga paradigm a pemrograman yang diinspirasi oleh biologi yang membolehkan komputer belajar dari data pengawasan dan mencari cara optimal untuk memecahkan masalah. . Rangkaian saraf buatan telah menyerap dua konsep yang sangat penting bagi unit pengiraan rangkaian saraf biologi dan berat sambungan. Berikutnya, ambil contoh yang biasa dari "Evaluasi Perangkat AOI" untuk memahami bagaimana neuron berfungsi.

Hypothesis: Pembuat PCB perlu membeli peralatan AOI. Injurutera AOI biasanya memutuskan sama ada untuk membeli peralatan AOI penyedia berdasarkan faktor berikut: kemampuan pemeriksaan, kadar titik palsu, kemampuan penyesuaian bahan dan proses, kemampuan operasi dan produksi, dll. Item penilaian ini tidak diatur mengikut berat badan. Pembuat PCB berbeza mempunyai kebimbangan yang berbeza dan berat badan mereka ditetapkan berbeza. Contohnya, pembuat A menghasilkan produk-produk berakhir tinggi dengan bahan istimewa dan proses pembuatan kompleks, yang akan menetapkan berat tinggi pada kemampuan pemeriksaan dan kemampuan penyesuaian. Nilai Sementara pembuat B menghasilkan produk akhir rendah, ia mungkin memperhatikan kemudahan operasi dan kelajuan imbas. Item mana (atau dipanggil input, prediktor, ciri-ciri, ini adalah konsep dalam pembelajaran mesin) perlu digunakan untuk penilaian, bergantung pada situasi sebenar mereka, proses ini adalah ekstraksi ciri-ciri atau teknik ciri-ciri. Mengganti item penilaian di atas dan nilai berat yang sepadan sebagai input ke dalam model neuron Figur 3, nilai eigen yang sepadan boleh dihitung mengikut fungsi linear di atas, dan kemudian melalui fungsi aktivasi bukan linear, nilai 0 hingga 1 (atau -1 hingga 1) boleh dicapai. Bilangan tertentu antara, untuk simulasi operasi logik neuron biologi. Bila berat dan bias berubah, model keputusan yang berbeza boleh dicapai. Dalam belajar dalam, berat w dan bias b dipandu oleh data, dan berat dan bias adalah parameter kernel konvolusi.

Jika output setiap neuron simulasi rangkaian saraf biologi dan disambung dengan input neuron berikutnya, rangkaian saraf buatan boleh bentuk (lihat Figur 4). Input item penilaian "kadar titik palsu" dalam contoh di atas ditentukan oleh output neuron tahap atas. Untuk meramalkan hasil, perlu membuat keputusan berdasarkan input dan berat sambungan neuron tahap atas, seperti: 1. Sama ada hendak guna sekatan berbilang Enjin pengesan digunakan untuk penapis kekurangan bukan-kritik kawasan bukan-kritik; 2. Sama ada sumber cahaya spektrum penuh digunakan untuk memastikan imej jelas diterima; 3. Sama ada motor linear bukan-kenalan digunakan untuk memastikan pergerakan licin objek diukur untuk mendapatkan imej stabil, dll.

Pembelajaran dalam adalah koleksi yang kuat dari banyak algoritma pembelajaran untuk pembelajaran rangkaian saraf. Dalam cara yang luas, ia adalah proses untuk memecahkan hubungan antara input dan output, dan dalam cara yang sempit, ia adalah proses untuk memecahkan berat badan dan bias neuron. Rangkaian saraf disambung mengikut lapisan input, lapisan tersembunyi dan lapisan output mengikut jenis rangkaian untuk membentuk rangkaian saraf dalam. Bilangan lapisan tersembunyi dan modul fungsi menentukan kedalaman dan jenis rangkaian saraf, seperti FNN, CNN, RNN, dan GAN. Proses pembelajaran dalam adalah untuk pertama-tama memasukkan data yang ditabel set latihan ke dalam rangkaian saraf, dan selepas setiap lapisan pemprosesan rangkaian saraf, untuk minimumkan ralat antara hasil output dan nilai yang dijangka, iaitu, fungsi kehilangan diminumkan (fungsi kehilangan biasanya digunakan untuk mengukur perbezaan antara perilaku sebenar dan perilaku yang dijangka), - proses adalah terutama untuk kemaskini berat dan bias secara iteratif melalui pendaraban maju, algoritma BP, dan fungsi kehilangan. Dalam proses latihan rangkaian saraf, kita sering menghadapi masalah hilang gradien atau letupan gradien, latihan terlalu lambat dan melebihi. Subjek ini terlalu besar untuk dibincangkan dalam-dalam di sini.1.3. Skenario aplikasi AI

Sistem kecerdasan buatan kebanyakan terdiri dari tiga bahagian: 1. Input maklumat. Perhatikan dunia fizikal yang berubah secara dinamik melalui peranti pengawasan berbeza, dengan itu mendapatkan sejumlah besar data; 2. Pemprosesan keputusan. Laksanakan jumlah besar data yang diperoleh kepada model yang diperoleh oleh pembelajaran mesin untuk alasan, ramalan atau keputusan; 3. Output pelaksanaan. Lakukan tindakan yang sepadan berdasarkan keputusan kesimpulan atau ramalan. Secara singkat, ia adalah untuk membina model ramalan untuk sejumlah besar data input melalui regresi, integrasi dan algoritma pembelajaran mesin lain, dan laksanakan model terbina ke set data sebenar untuk mendapatkan hasil ramalan. AI telah digunakan secara luas dalam bidang kewangan, rawatan perubatan, pendidikan, keselamatan awam, transportasi, komunikasi, pertanian, meteorologi, dan industri perkhidmatan. Jadual 1 senarai beberapa skenario aplikasi AI umum.2. Pemeriksaan optik automatik AOI

Saya memperkenalkan konsep asas intelijen buatan AI, dan menyebutkan algoritma penglihatan komputer yang biasanya digunakan dalam AI. Algoritma penglihatan ini juga digunakan secara luas dalam AOI. Pemeriksaan optik automatik AOI telah berevolusi dari pemeriksaan visual manual. Prinsip kerja adalah: pertama-tama, maklumat ciri imej yang diperlukan adalah "belajar" dari data CAM piawai melalui algoritma visual, dan kemudian digunakan untuk latihan pada imej imbas setiap PCB. Kumpul model belajar untuk ekstraksi ciri, bandingkan imej ciri yang diperoleh dengan data piawai, dan laporkan titik masalah yang perlu dikesan mengikut peraturan yang diberi (piawai pengesan). Kerana AOI adalah aplikasi biasa penglihatan komputer, ia mempunyai kesulitan yang sama dengan penglihatan komputer.2.1. Kekerasan visual dalam AOIInformation loss in the imaging process: When a person tries to understand an image, the previous experience and knowledge will be used for the current observation. Proses pemahaman imej biasanya selesai tanpa sedar. Pandangan komputer perlu melibatkan keputusan dan kaedah dalam matematika, pengenalan corak, kecerdasan buatan, psikofisiologi, sains komputer, elektronik, dan disiplin lain. Oleh itu, untuk AOI, kerana adegan papan PCB 3D diprojekt ke ruang 2D, banyak maklumat hilang, terutama maklumat kedalaman, seperti pencahayaan, ciri-ciri bahan, orientasi dan jarak, dll., ditujukan sebagai satu-satunya nilai ukuran nilai kelabu. Projeksi pesawat 2D yang sama boleh dihasilkan oleh bilangan tak terbatas projeksi adegan 3D yang mungkin. Oleh itu, proses terbaliknya dari 2D ke 3D adalah proses yang tidak berkundisi, atau masalah yang tidak diberikan. Data pengawasan tidak cukup untuk mengendalikan penyelesaian masalah, jadi perlu menggunakan pengetahuan ujian pertama atau memperkenalkan pengendalian yang sesuai. Contohnya, dalam pemeriksaan AOI, ia sering ditemui bahawa terdapat sirkuit terbuka pada imej yang dipindai (imej 2D), tetapi sebenarnya ia mungkin sirkuit terbuka sebenar, atau titik oksidasi, lem sisa, debu pada garis (adegan 3D)... Tetingkap setempat dan paparan global: Biasanya, algoritma analisis imej perlu menganalisis dan beroperasi unit penyimpanan istimewa dalam ingatan dan unit sebelah. Apabila imej boleh dicapai dari paparan setempat atau hanya beberapa lubang kecil setempat, interpretasi imej biasanya sangat sukar. AOI imbas lebar yang dinyatakan mengikut resolusi yang berbeza dan membahaginya ke blok imej saiz yang dinyatakan untuk pemprosesan. Oleh itu, algoritma pengesan AOI juga dipenalisis dan diproses sebahagian. Ia tidak akan ditambah ke analisis rangkaian PCB seperti Ujian-E, hanya dalam proses logik. Tambah lapisan bantuan untuk analisis fungsionalAs a key process of quality control in PCB manufacturing, in the AOI process, the confirmation process on the overhaul machine requires more manual participation, and the operator needs to repair according to false shortcomings.