PCB Teknik - PCB optik denetim AOI'de uygulama

20 yıl önce PCB endüstrisine katılmak üzere, induksyon eğitimi, her PCB süreciyle tanıyacak iş üzerinde. O zamanlar, elektroplatıcı çizgisindeki stajyer tarafından özellikle etkilendim. Çiftli çalışma çevresinde ve personel hızlı dönüşünden dolayı, elektroplatma çizgisinin en uzun "pratik" zamanı vardır. Elektroplatıcı çizginin her tank ının önünde takılıyor. PCB tahtasını bir tanktan sonra ayarlanan zamana göre, bütün elektro platlama sürecinin bitince, bir tabaktan birine götürmek gerekiyor. Diğer süreçlerin çoğunu yükleme ve yüklemesi de el olarak kullanılır ve etkinleştirme hattından sonra kalite kontrol de el görüntülüdür. Çalışma maliyetlerinin sürekli artması ile, el çalışmalarının çoğunu ve PCB üretimi üzerindeki küçük bir parçası bile mekanizasyon, elektrikleme, otomatik ve bilgi teknolojisi ile değiştirildi. Akıllı uygulama sürecinde, çoğu PCB üretim ekipmanlarının zeki ihtiyaçlarını tamamen desteklemediğini ve uyumlu değiştirme genellikle otomatik için hedef alındı. Şu anda PCB üretim ekipmanları için bir arayüz belirtisi yok. Bazı üreticiler yarı yönetici ekipmanlarının arayüz belirlenmesinden öğrenir, fakat yüksek maliyeti yüzünden, geçici olarak PCB üretimlerinde geniş kullanılamaz. Tüm PCB üreticileri kendi ihtiyaçlarına göre kendi özelliklerini tasarlıyor ve durum quo farklı olarak tanımlanabilir.

1. AI sanatlı istihbarat

Yavaş istihbarat, insanları simüle etmek için bilgisayarlar kullanarak bazı düşünce süreçlerini ve zeki davranışlarını (öğrenmek, düşünmek, planlama, etkinlik gibi) çalışmaların temeli. Bilgisayar bilimi bir bölümü. Bu alandaki araştırmalar genellikle robotik, dil tanıması ve görüntüler içeriyor. Tanıma, doğal dil işleme, simülasyon sistemi ve uzman sistemi etc. İnsanlar sanatlı istihbarat, makine öğrenme (ML, derin öğrenme), derin öğrenme (DL, derin öğrenme), derin nöral ağ (DNN, derin Nöral Ağ), konvolusyonal nöral ağ (CNN, Konvolusyonal Nöral Ağ) hakkında konuşurken ve sık sık bahsetmişlerdir. AI, insanların takip ettiği hedefidir ve makine öğrenmesi AI'yi elde etmenin en önemli yoludur. Genelde kullanılan makine öğrenme algoritmaları lineer regresi, lojik regresi, integrasyon metodları, vektör makineleri, nöral ağları ve derin öğrenmesi dahil ediyor. Makine öğrenmesi veri etiketleri olup olmadığına bağlı. Bunu kontrol edilmiş öğrenmesi, yarı kontrol edilmiş öğrenmesi, öğrenmesi, güçlendirme öğrenmesi, yapılmış öğrenmesi ve öğrenmesi olarak bölünebilir. Derin öğrenme makine öğrenmesinde en sık kullanılan algoritmalardan biridir, özellikle bilgisayar görünüşünün uygulaması için. Derin nöral a ğları insan beyninin mekanizmalarını örneklendiren derin öğrenme metodlarının bir kopusudur. Derin, konvolusyon ve nöral ağ altında ayrı olarak tartışılacak.

1.1 Birleşme operasyonu

Konvolusyon operasyonunun tanımlaması: Konvolusyon operasyonu sinyal ve lineer sistemlerde, dijital sinyal işleme ve resim işleme sistemlerinde geniş kullanılır. Matematik tanımlamasından (İkinlik 1), konvolusyon bir fonksiyondur (birim cevap ya da konvolusyon kernel). Başka bir fonksiyonun (girdi sinyali) yüksek süper pozisyonu.

Bilgisayar görünüşünün alanında, konvolusyon çekirdeği belli bir modu belirliyor. Konvolusyon operasyonu, her pozisyon ve moda arasındaki eşitlik derecesini hesaplamak. Ağımdaki pozisyon ve mod daha benzer, cevap daha güçlü. Konvolusyon çekirdeği genellikle küçük boyutlu tek sayılı satır ve sütun matriksidir ve dijital resim relatively büyük boyutlu 2 boyutlu (çoklu boyutlu veya çoklu kanal özellikleri haritası) matriksidir. Konvolusyon gerçekleştirildiğinde, soldan sağa, yukarıdan a şağıya, her kanalın uyumlu pozisyonları çarpılır ve toplanır. Eğer konvolusyon kernel ağırlığı (ağırlık) olarak kabul edilirse ve vektör w olarak çizdirilir ve görüntülerin uyumlu pozisyonunda piksel vektör olarak çizdirilirse, bu pozisyondaki konvolusyonun sonucu formül (2) olarak ifade edilebilir, yani iç vektör ürün + Bias olarak ifade edilebilir.

Yukarıdaki şey, fonksiyonun görüntü noktasından konvolusyon operasyonunu anlamak. İki tanıdık uygulama örnekleri ile a şağıdaki bir açıklama. Şekil 1, AOI'de kullanılan morfolojik keşfetme mantıkıdır. Taranmış görüntüde ön ayarlama örnek matrisi (konvolusyon çekirdeği) slaytlar. Grafik şablon tarafından tanımlanmış özelliklere karşılaştığında, uyumlu özellikler bilgileri oluşturulacak ve sonra standart grafiklerin özellikleri, defekten yerini bulmak için karşılaştırılacak. AOI'nin defekte noktasının şeklinde bağlı, T, Y, L, K, ve H gibi farklı tanıma mantıklarını belirlemesi gerekiyor. AOI mühendislerinin, tanıma şablonu matrisinin parametrelerini tekrar iyileştirmesi gerekiyor, iyi konvolusyon çekirdek tasarımı, iyi test sonuçlarını üretir. Görüntü 2, görüntü işlemlerinde genelde kullanılan Gaussian görüntü yumuşatmasıdır. Sağdaki işlemli görüntülerin gri değer dağıtımı daha üniformadır ve görüntülerin gürültüsü düzgün olarak filtreliyor. Konvolusyon operasyonu uygulamasının anahtarı konvolusyon kernel tasarımında. Görüntü işlemesindeki ana fonksiyonu: görüntü önişlemesi ve özellikler çıkarması ve sonucu özellik görüntüsü analiz ve anlama için sonraki bağlantıya çıkarmaktır.1.2. Derin Nöral Ağ

Nöral a ğ, beyin sinirlerinin sinaptik bağlantılarına benzer bir yapı kullanan bir matematiksel modeldir. Bu da biyoloji tarafından ilham verilen bir programlama paradigmi. Bilgisayarların izleme verilerinden öğrenmesine ve sorunları çözmesine iyilik yollar bulmasına izin verir. Yapılacak nöral ağ biyolojik nöral ağ hesaplama birimi ve bağlantı ağının iki çok önemli fikrini absorb etti. Sonra, nöronların nasıl çalıştığını anlamak için "AOI Equipment Evaluation" örneğini alın.

Hipotez: Bir PCB üreticisi AOI ekipmanları satın alması gerekiyor. AOI mühendisleri genelde indirilen faktörlere dayanan bir teminatçı AOI ekipmanın satın almasını karar verir: denetim yeteneği, yanlış nokta hızı, materyaller ve süreçler uygulanabilirliği, operasyon ve üretim kapasitesi kolaylaştırılmasını ve bu değerlendirme öğeleri a ğırlıkla ayarlanmıyor. Farklı PCB üreticilerinin farklı endişeleri var ve ağırlıkları farklı olarak ayarlandı. Örneğin, A üretici özel materyaller ve karmaşık üretim süreçleri ile yüksek sonlu ürünleri üretir. Bu kontrol yetenekleri ve uygulanabilirlikleri üzerinde yüksek ağırlık ayarlayacak. Değer; B üretici düşük sonlu ürünler üretirken, operasyonun kolaylaştırması ve tarama hızına dikkat edebilir. Bu süreç, gerçek durumlarına bağlı olarak değerlendirmek için kullanılması gereken (veya ulaştırma, tahmin edenler, özellikler, makine öğrenmesindeki konseptler) hangi eşyalar (ya da bunlar) kullanılması gerekiyor. Yukarıdaki değerlendirme eşyalarını ve nöron modelinin girişi olarak uyumlu ağırlık değerlerini yerine koyarak, uyumlu eigendeğerler yukarıdaki lineer fonksiyona göre hesaplanabilir, sonra lineer etkinleşme fonksiyonu kullanarak 0 ile 1 (ya da -1 ile 1) değeri alınabilir. Böylece biyolojik nöronların lojik operasyonunu simüle etmek için aralarında belli bir sayı var. Taşıklar ve önyüzler değiştiğinde farklı karar modelleri alınabilir. Derin öğrenmesinde, ağırlık w ve bias b verilerle yönlendiriliyor ve ağırlık ve bias konvolusyon kernel'in parametreleri.

Eğer her nöron çıkışı biyolojik nöral a ğ simüle ederse ve sonraki nöron girişine bağlanır, sanatlı nöral ağ oluşturulabilir (4. Şekil). Yukarıdaki örnekte değerlendirme elementinin "yanlış nokta hızı" girişi üst seviye nöronun çıkışı ile belirlenmiştir. Sonuçları tahmin etmek için, üst seviye nöronun giriş ve bağlantı a ğırlığına dayalı bir karar vermek gerekiyor. Çoklu bölümler kullanılması gerektiğini belirtme motoru kritik olmayan bölgelerin kritik olmayan kısıtlıklarını filtretmek için kullanılır. 2. Tam spektrum ışık kaynağının a çık bir görüntü elde edilmesini sağlamak için kullanılması; 3. Kontakt olmayan lineer motör stabil bir görüntü almak için ölçülmüş nesinin düz hareketini sağlamak için kullanılır mı?

Derin öğrenme nöral a ğ öğrenmesi için çok öğrenme algoritmalarının güçlü bir koleksiyonudur. En geniş anlamda, giriş ve çıkış arasındaki ilişkileri çözme sürecidir ve kısa bir anlamda, bu nöron a ğırlığını ve bias ını çözme sürecidir. Nöral a ğ girdi katına, gizli katına ve çıkış katına göre ağı türüne göre derin nöral ağ oluşturmak için bağlantılı. Gizli katlar ve fonksiyonel modullerin sayısı, FNN, CNN, RNN ve GAN gibi nöral ağın derinliğini ve türünü belirliyor. Derin öğrenme süreci, nöral ağda ayarlanan eğitimin etiketli verilerini ilk girmek ve nöral ağ işlemlerinin her katı sonucu ve beklenen değer arasındaki hatayı küçültmek, yani kaybın fonksiyonu küçültür (kaybın fonksiyonu genellikle gerçek davranışlar ve beklenen davranışlar arasındaki değişiklikleri ölçülemek için kullanılır), Bu süreç, genellikle ileri propagasyon, BP algoritmi ve kaybı fonksiyonu üzerinden ağırlıkları ve öngörünü yenilemektedir. Nöral ağ eğitimi sürecinde, sık sık sık farklı kaybolma veya farklı patlama sorunlarıyla karşılaşıyoruz, eğitim çok yavaş ve fazla uyumlu. Bu konu derinlikle tartışmak için çok büyük.1.3. AI uygulama senaryosu

Sanatçı istihbarat sistemi genellikle üç parçadan oluşturuyor: 1. Bilgi girdi. Dinamik olarak fiziksel dünyayı çeşitli duygulama aygıtları ile değiştirmek için büyük bir miktar veri elde ediyoruz. 2. Karar işleme. Mantıklı, tahmin etmek veya karar vermek için makine öğrenmesi tarafından alınan modelde alınan büyük veri miktarını uygulayın; 3. Çalıştırma çıkışı. Infans veya tahmin sonuçlarına dayalı uyumlu eylemler gerçekleştirin. Kısa sürede, regresyon, integrasyon ve diğer makine öğrenme algoritmaları üzerinden büyük bir miktar girdi veri için tahmin modeli inşa etmek ve tahmin sonuçlarını almak için inşa edilmiş modeli gerçek veri setine uygulamak. AI finans, tıbbi bakımı, eğitim, kamu güvenlik, iletişim, iletişim, tarım, meteoroloji ve servis sektörlerinde geniş kullanıldı. Tablo 1, birkaç ortak AI uygulama senaryosunu listeler.2. AOI otomatik optik kontrol

Kısa sürede AI sanatlı istihbaratının temel fikirlerini ve AI'de genellikle kullanılan bilgisayar görüntü algoritmalarını tanıttım. Bu görüntü algoritmaları da AOI'de geniş olarak kullanılır. AOI otomatik optik denetim el görsel denetimden geliştirildi. İlk olarak, gerekli görüntü özellikleri bilgileri görüntü algoritmi aracılığıyla standart CAM verilerinden "öğrenildi" ve sonra her PCB görüntüsünde taranmış görüntüyle eğitim için kullanıldı. Özellikle çıkarmak için öğrenilen modelleri toplayın, alınan özellikler görüntülerini standart verilerle karşılaştırın ve verilen kurallara göre keşfedilmeli sorun noktalarını rapor edin (keşfedme standartları). AOI bilgisayar görünüşünün tipik bir uygulaması olduğundan beri bilgisayar görünüşünün aynı zorlukları var.2.1. Görüntü sürecinde AOIInformation kaybında görüntülü zorluklar: Bir insan bir resim anlamaya çalıştığında, önceki deneyim ve bilgi şu anki gözlemler için kullanılacak. Görüntüyü anlamanın süreci genellikle bilinçsizce tamamlandı. Bilgisayar görüntüsü matematik, örnek tanıması, sanatlı istihbarat, psikopsiyoloji, bilgisayar bilimi, elektronik ve diğer disiplinlerde sonuçları ve metodları içermesi gerekiyor. Bu yüzden AOI için, çünkü 3D PCB tahtası sahası 2D uzaya proje ediliyor, özellikle derinlik bilgileri, ışık, materyal özellikleri, yönlendirme ve uzaklığı gibi, yalnızca ölçüm değeri gri derece değeri olarak gösteriliyor. Aynı 2D uçağının projeksiyonu mümkün 3B sahne projeksiyonların sonsuz sayısıyla üretilebilir. Bu yüzden, 2D'den 3B'ye dönüş süreci kötü bir süreç veya kötü bir sorun. İzleme verileri sorunun çözümünü engellemek için yeterli değil, bu yüzden ilk Test bilgisini kullanmak ya da uygun sınırları tanıtmak gerekir. Örneğin, AOI kontrolünde sık sık sık taranmış görüntü (2D görüntü) üzerinde a çık bir devre vardır, ama aslında gerçekten açık devre olabilir, ya da oksidasyon noktaları, kalıcı lep, hatta toz olabilir (3D sahne). Yerel pencere ve küresel görüntü: Genelde görüntü analizi algoritmi hafıza ve yakın birimlerindeki özel depo birimi analizi ve işlemesi gerekiyor. Görüntü yerel görüntüden veya sadece yerel küçük deliklerden alınabilirse, bir görüntüsün yorumlaması genellikle çok zordur. AOI belirtilen genişliği farklı çözümlere göre tarar ve işleme için belirtilen boyutlu resim bloklarına bölür. Bu yüzden AOI'nin keşfetme algoritmi de parça analiz edildi ve işledildi. E-Test gibi PCB ağ analizine eklenmeyecek, sadece mantıklı işlemde. Funksiyonel analiz için yardımcı bir katı ekle. PCB üretimi, AOI sürecinde, kontrol makinesindeki onaylama sürecinin daha fazla el katılması gerektiğini ve operatörün yanlış kısıtlıklara göre tamir etmesi gerektiğini gösteriyor.