Технология PCB - Применение в оптической инспекции печатных плат AOI

Присоединившись к индустрии печатных плат 20 лет назад, вводное обучение проводится непосредственно на рабочем месте, чтобы ознакомиться с каждым процессом производства печатных плат. В то время меня особенно впечатлила стажировка на гальванической линии. из - за плохих условий работы люди быстро передвигаются. Линия гальваники имеет самое большое время "практики". Перед каждой ячейкой гальванической линии висит таймер.. Необходимо вручную перемещать печатную плату в подвесной корзине из одного резервуара в другой в соответствии с установленным временем, пока не завершится весь процесс гальванического покрытия. Большинство других процессов загрузки и разгрузки также ручные, а контроль качества после линии сортировки также ручной визуальный. с ростом стоимости рабочей силы, большая часть ручного труда и даже небольшая часть умственного труда в печатных платах - производство уже заменено механизацией, электрификацией, автоматизацией и информационными технологиями. В процессе интеллектуального внедрения было обнаружено, что большая часть оборудования для производства печатных плат не может в полной мере поддерживать интеллектуальные требования, и соответствующая трансформация в основном была направлена на автоматизацию. в настоящее время нет единой спецификации интерфейса для оборудования для производства печатных плат. Некоторые производители изучают модификацию фасадов полупроводникового оборудования, но из-за высокой стоимости временно не могут быть широко использованы в производстве печатных плат. Все производители печатных плат разрабатывают свои собственные спецификации в соответствии со своими потребностями, и статус-кво можно охарактеризовать как разнообразный.

1. Искусственный интеллект ИИ

Искусственный интеллект является предметом изучения определенных мыслительных процессов и разумного поведения (таких как обучение, умозаключение, мышление, планирование и т. д.) людей с использованием компьютеров для моделирования людей. Это ветвь компьютерной науки. Исследования в этой области в основном включают робототехнику, распознавание языка и изображения. Распознавание, обработка естественного языка, система моделирования и экспертная система и т. д. Когда говорят об искусственном интеллекте, машинном обучении (ML, Deep Learning), глубоком обучении (DL, Deep Learning), глубокой нейронной сети (DNN, Deep Neural Network), сверточная нейронная сеть (CNN, Convolutional Neural Network) и другие часто упоминаемые концепции. искусственный интеллект - цель, к которой проявляются люди, машинное обучение - главный путь к выявлению искусственного интеллекта.. Обычно используемые алгоритмы машинного обучения включают линейную регрессию, логическую регрессию, методы интеграции, поддерживающую вычислительную машину, нейронные сети, глубокое исследование. Машинное обучение зависит от того, есть ли метки данных или нет. Он может быть разделен на обучение по надзору, обучение с полуучителем, обучение без надзора, обучение с подкреплением, структурированное обучение и контроль. Глубокое обучение — один из наиболее часто используемых алгоритмов в машинном обучении, особенно приложения с компьютерным вниманием. Глубокие нейронные сети — это набор методов глубокого обучения, имитирующих механизмы человеческого мозга. глубина, свертка, нервная оценка будет рассмотрена отдельно ниже.

1.1. Операция свертки

Определение операции свертки: Операция свертки широко используется в сигнальных и линейных системах, системах обработки цифровых сигналов и изображений. Согласно математическому определению (уравнение 1), свертка — это функция (единичный отклик или ядро свертки). ) Взвешенное наложение на другую функцию (входной сигнал).

In the field of computer vision, ядро свёртки определяет определённый режим. The convolution operation is to calculate the degree of similarity between each position and the mode. Чем больше похоже текущее положение и режим, Чем сильнее реакция. The convolution kernel is usually a small-sized odd-numbered row and column matrix, and the digital image is a relatively large-sized 2-dimensional (multi-dimensional or multi-channel feature map) matrix. When convolution is performed, Это вид скользящего окна, from left to right, сверху вниз, the corresponding positions of each channel are multiplied and summed. If the convolution kernel is regarded as the weight (Weight), and the vector is drawn as w, рисовать пикселя в вектор, then the result of the convolution at this position can be expressed as formula (2), То есть, the vector inner product + Bias.

выше описана операция свёртки с точки зрения функции. The following is a further explanation through two familiar application examples. Рисунок 1 - логика морфологического контроля, используемая в AOI. The preset detection template matrix (convolution kernel) slides on the scanned image. Если графические возможности соответствуют параметрам шаблона, the corresponding feature information will be generated, затем сравнить информацию о характеристиках стандартной графики, чтобы найти место дефекта. Depending on the shape of the defect point, AOI needs to define different detection logics (template matrices), such as T, Y, L, к, and H, etc. AOI engineers need to iteratively optimize the parameters of the detection template matrix, хорошее проектирование зародышей свёртки, будет получен хороший результат тестов. Figure 2 is the Gaussian image smoothing commonly used in image processing. можно заметить, что значения серого для изображения, обработанного правой стороной, распределяются более равномерно, and the noise in the image is smoothly filtered. ключ к применению свёртки заключается в проектировании зародыша свёртки. The main function in image processing is: image preprocessing and feature extraction, Создать профиль изображения для вывода в следующую ссылку для анализа и интерпретации.
1.2. Deep Neural Network

Neural network is a mathematical model that uses a structure similar to the synaptic connections of the brain's nerves to process information. Это также биологическая Парадигма программирования, позволяющая компьютерам изучать данные наблюдений и находить оптимальные решения проблем.. . искусственные нервные сети впитывают в себя две чрезвычайно важные концепции: вычислительные ячейки и право на подключение. След., на примере знакомого "оценочного оборудования АОИ" узнать, как работают нейроны.

допущение: Производители PCB должны закупить оборудование AOI. AOI engineers usually decide whether to purchase a supplier’s AOI equipment based on the following factors: inspection capability, коэффициент виртуальной точки, adaptability of materials and processes, работоспособность и производительность, etc. Эти оценочные проекты не распределены по весу. Different PCB manufacturers have different concerns and their weights are set differently. например, manufacturer A produces high-end products with special materials and complex manufacturing processes, Это придаст большое значение проверочной способности и адаптации. Value; while manufacturer B produces low-end products, Он может обратить внимание на удобство операции и скорость сканирования. Which items (or called inputs, коэффициент прогнозирования, features, these are concepts in machine learning) need to be used for evaluation, по их реальностям, this process is feature extraction or feature engineering. Заменить вышеуказанные оценки и соответствующие весовые значения вводом модели нейрона на рис. 3, the corresponding eigenvalues can be calculated according to the above linear function, функция активации через нелинейность, the value of 0 to 1 (or -1 to 1) can be obtained. определенное количество, so as to simulate the logical operation of biological neurons. изменение веса и отклонения, different decision models can be obtained. углубленно учиться, the weight w and bias b are driven by data, вес и отклонение - параметры свёртывающего ядра.

If the output of each neuron simulates a biological neural network and is connected to the input of the next neuron, an artificial neural network can be formed (see Figure 4). The input of the evaluation item "false point rate" in the above example is determined by the output of the upper level neuron. для прогноза результатов, необходимо принимать решения по входу и значению связи верхних нейрона, such as: 1.  используется ли многосекторальная поисковая машина для фильтрации непроницаемых областей 2. Whether the full-spectrum light source is used to ensure that a clear image is obtained; 3. используется ли бесконтактный линейный двигатель для обеспечения плавного движения измеренного объекта, чтобы получить стабильное изображение, etc.

глубокое изучение является мощным набором алгоритмов обучения многим нервным сетям. In a broad sense, это процесс разрешения отношений между вводом и выводом, and in a narrow sense, это процесс решения проблемы неврологического веса и отклонения. The neural network is connected according to the input layer, скрытый слой и выходной слой формируют глубинную нервную сеть по типу сети. The number of hidden layers and functional modules determine the depth and type of the neural network, Пример FNN, CNN, циркуляционная нервная сеть, and GAN. процесс глубокого обучения начинается с ввода данных в нервную сеть, and after each layer of neural network processing, минимизировать ошибки между выводом и ожидаемым значением, that is, the loss function is minimized (the loss function is usually used to measure The deviation between actual behavior and expected behavior), the process is mainly to iteratively update weights and biases through forward propagation, алгоритм БП, and loss function. в процессе обучения нервной сети, we often encounter the problems of gradient disappearance or gradient explosion, тренировка слишком медленная. The subject is too large to discuss in depth here.

1.3. Сценарии применения ИИ

Система искусственного интеллекта в основном состоит из трех частей: 1. ввод информации. Воспринимать динамично меняющийся физический мир с помощью различных сенсорных устройств, • накапливать большие объемы данных; 2. Обработка решений. использование большого объема данных для использования, приобретения в процессе машинного обучения, прогнозирования или принятия решений; 3. заключение вывод. Выполните соответствующие действия на основе результатов вывода или предсказания. Короче говоря, это построение модели прогнозирования для большого количества входных данных с помощью регрессии, алгоритма объединения и других машин и применение построенной модели к фактическому набору данных для получения результата прогнозирования. искусственный интеллект широко используется в финансовой сфере, здравоохранении, образовании, общественной безопасности, транспорте, связи, сельском хозяйстве, метеорологии, сервисе. В таблице 1 перечислены некоторые распространенные сценарии применения ИИ.

2. Автоматический оптический контроль AOI

Я кратко представил основные концепции искусственного интеллекта ИИ. Эти алгоритмы зрения также широко используются в АОИ. автоматическая оптическая проверка АОИ осуществляется с помощью ручного включения контроля. Принцип работы таков: во-первых, информация о свойствах изображения, необходимая для «обучения» с помощью визуальных алгоритмов данных стандартов CAM, а затем используется для обучения на отсканированном изображении каждой печатной платы. собранная модель для получения характеристики, сравнить полученные изображения признаков с эталонными данными и сообщить о проблемных точках, которые необходимо обнаружить в соответствии с заданными правилами (стандартами обнаружения). Поскольку AOI является типичным применением компьютерного зрения, это так же трудно, как компьютерное зрение.

2.1. Зрительные трудности в AOI

Потеря информации в процессе визуализации: когда человек пытается понять изображение, предыдущий опыт и знания будут использоваться для текущего наблюдения. Процесс понимания образа обычно завершается бессознательно. Компьютерное зрение должно включать результаты и методы в математике, распознавании образов, искусственном интеллекте, психофизиологии, компьютерной науке, электронике и других дисциплинах. Следовательно, для АОИ, поскольку 3D-сцена платы печатной платы проецируется в 2D-пространство, теряется много информации, особенно информация о глубине, такая как освещенность, свойства материала, ориентация и расстояние и т. д. Показывать только значения градации серого. Проекция одной и той же 2D-плоскости может быть создана бесконечным числом возможных проекций 3D-сцены. Следовательно, обратный процесс от 2D к 3D является плохо обусловленным процессом или некорректно поставленной задачей. Данных наблюдений недостаточно, чтобы ограничить решение проблемы. например, при AOI инспекции часто встречается, что на отсканированном изображении (2D изображение) есть обрыв, но на самом деле это может быть настоящий обрыв, точка излучения, остатки клея, пыль на линии (3D сцена) ...

Локальное окно и глобальный вид: обычно алгоритму анализа изображения необходимо анализировать и управлять специальной единицей хранения в памяти и смежными с ней единицами. Когда изображение можно получить из местного вида или только из некоторых локальных небольших отверстий, интерпретация изображения обычно очень сложна. AOI сканирует заданную ширину в соответствии с различными разрешениями и делит ее на блоки изображения заданного размера для обработки. Поэтому алгоритм обнаружения АОИ также частично анализируется и обрабатывается. Он не будет добавлен в сетевой анализ печатных плат, как E-Test, только в логическую обработку. Добавьте вспомогательный слой для функционального анализа

Как ключевой процесс контроля качества при производстве печатных плат, в процессе AOI процесс подтверждения на машине для капитального ремонта требует большего ручного участия, и оператору необходимо ремонтировать в соответствии с ложными дефектами.