Công nghệ PCB - Ứng dụng trong Kiểm tra quang học PCB

Gia nhập Ngành công nghiệp PC Đôi năm trước, Việc huấn luyện cảm ứng trực tiếp thuộc về các quy trình PCB. Commentúc đó, Tôi đặc biệt ấn tượng với việc thực tập ở tuyến điện cực.. Do môi trường làm việc khắc nghiệt và sự thay đổi nhanh của nhân viên, điện cực có thời gian luyện tập dài nhất. Một đồng hồ được treo trước mỗi bình xăng của tuyến điện cực.. Cần phải di chuyển bằng tay PCB ván trên cái rổ treo từ một bể này đến cái kia theo thời gian đã đặt cho đến khi to àn bộ quá trình mạ điện hoàn tất. Việc nạp và tháo dỡ hầu hết các thủ tục khác cũng là thủ công., và kiểm tra chất lượng sau đường khắc cũng có hình ảnh bằng tay. Với sự giải tăng liên tục chi phí lao động, hầu hết lao động chân tay và thậm chí một phần nhỏ lao động tâm thần ở PCB Sản xuất đã được thay thế bằng cơ khí hóa, nhiễm điện, Tự động và công nghệ thông tin. Trong quá trình tiến hành thông minh, nó được tìm thấy rằng hầu hết PCB Thiết bị sản xuất không thể hỗ trợ đủ các yêu cầu thông minh, và sự chuyển đổi tương ứng chủ yếu nhằm vào tự động. Hiện tại, không có định dạng giao diện thống nhất cho PCB Thiết bị sản xuất. Một số nhà sản xuất học từ các đặc trưng giao diện của các bộ máy xoay, nhưng vì giá nó cao, nó tạm thời không thể được sử dụng rộng rãi trong... Sản xuất PCB. Tất PCB Các nhà sản xuất đang thiết kế kỹ thuật riêng theo nhu cầu của họ, và tình hình hiện tại có thể được miêu tả là khác nhau..

L. trí tuệ nhân tạo

Artificial intelligence is the subject of studying certain thought processes and intelligent behaviors (such as learning, lí, tư duy, Nameế hoạch, Comment.) of people by using computers to simulate humans. Nó là một chi nhánh của khoa học máy tính.. Nghiên cứu trong lĩnh vực này chủ yếu gồm rô-bốt, nhận dạng ngôn ngữ, và ảnh. Nhận, xử lý ngôn ngữ tự nhiên, Hệ thống mô phỏng và chuyên gia, Comment. Khi người ta nói về trí tuệ nhân tạo, machine learning (ML, Deep Learning), deep learning (DL, Deep Learning), deep neural network (DNN, Mạng thần kinh sâu), xảoal neural network (Comment, Convolutional Neural Network) and other concepts Often mentioned. Al là mục tiêu mà mọi người đang theo đuổi, và học máy móc là cách để đạt được AI. Thuật toán học máy thường dùng bao gồm phục hồi tuyến tính, Hậu thuẫn, Phương pháp hoà nhập, Máy vector hỗ trợ, mạng thần kinh, và học sâu. Học về máy móc phụ thuộc vào việc có nhãn dữ liệu hay không. Nó có thể được chia thành học tập giám sát., Tiểu giám sát học, Không giám sát, học thêm, học tập và chuyển dịch. Học sâu là một trong những thuật toán phổ biến trong việc học máy., đặc biệt cho việc sử dụng tầm nhìn máy tính. thâm tâm mạng thần kinh là một loạt các phương pháp học sâu nhằm noi gương các cơ chế của bộ não con người.. Độ sâu, convolution, và mạng thần kinh sẽ được thảo luận riêng bên dưới.

Hành động Thuyết phục

Định nghĩa thao tác kết nối: thao tác kết nối được sử dụng rộng rãi trong hệ thống tín hiệu và tuyến tính, xử lý tín hiệu điện tử và xử lý ảnh. Từ định nghĩa toán học (phương trình L), kết cấu kết hợp là một hàm (phản ứng đơn vị hay hạt nhân kết cấu kết hợp). Tạo tác dụng bằng cân nặng trên một hàm khác (nhập tín hiệu).

Trong lĩnh vực nhìn trên máy tính, hạt nhân kết cấu xác định một chế độ nhất định. Cách vận chuyển kết cấu là tính mức độ tương đồng giữa mỗi vị trí và chế độ. Càng giống vị trí hiện tại và chế độ, phản ứng càng mạnh. Hộp hạt nhân kết cấu thường là một tỷ lệ số lẻ và ma trận cột nhỏ, và ảnh số này là một ma trận 2-chiều tương đối lớn (sơ đồ đa chiều không gian hay đa kênh). Khi kết cấu kết nối được thực hiện, nó là dạng của một cửa sổ trượt, từ trái sang phải, từ trên xuống dưới, vị trí tương ứng của mỗi kênh được gấp bội và tổng kết lại. Nếu hạt nhân bao quanh được xem là trọng lượng (Weight) và véc- tơ được vẽ như w, còn điểm ảnh ở vị trí tương ứng của ảnh được vẽ như véc- tơ, thì kết quả của kết cấu kết nối tại vị trí này có thể được diễn tả bằng công thức (2), tức là, sản phẩm bên trong véc- tơ +Bians.

Trên đây là để hiểu thao tác kết cấu từ quan điểm của chức năng. Sau đây là một giải thích thêm thông qua hai ví dụ ứng dụng quen thuộc. Hình E. The preset detection template matrix (convolution kernel) slides on the scanned image. Khi đồ họa khớp với các đặc trưng được xác định bởi mẫu, sẽ tạo ra thông tin về tính năng tương ứng, và sau đó thông tin tiêu chuẩn của đồ họa được so sánh để tìm ra vị trí của khiếm khuyết. Phụ thuộc vào hình dạng của điểm khiếm khuyết, AOI needs to define different detection logics (template matrices), như T., Có, L, K, và H, Comment. Các kỹ sư AO cần tối ưu tiên các tham số của ma trận mẫu phát hiện, thiết kế hạt nhân xoắn tốt, Sẽ có kết quả kiểm tra tốt. Hình thứ hai là hình cáp làm mịn ảnh thường được dùng trong việc xử lý ảnh. Có thể thấy được rằng phân phối giá trị xám của ảnh được xử lý bên phải là phù hợp hơn, và sự nhiễu trong ảnh được lọc trơn tru. Chìa khóa cho việc áp dụng thao tác kết cấu nằm trong sự thiết kế của hạt nhân kết cấu. Phần chính của việc xử lý ảnh là: xử lý hình ảnh và vẽ đặc trưng, và ảnh hiệu quả là kết quả ra kết nối tiếp theo cho kết nối phân tích và hiểu biết..
1.2. Deep Neural Network

Hệ thần kinh là một mô hình to án học s ử dụng một cấu trúc tương tự với kết nối thần kinh của bộ não để xử lý thông tin. Nó cũng là một biểu tượng lập trình lấy cảm hứng từ sinh học cho phép máy tính học từ các dữ liệu quan sát và tìm cách giải quyết tốt nhất. Mạng thần kinh nhân tạo đã hấp thụ hai khái niệm cực kỳ quan trọng của đơn vị sinh học mạng-tính toán và trọng lượng kết nối. Tiếp theo, hãy lấy thí dụ quen thuộc về "Kiểm tra bộ phận AO" để hiểu cách các nơ-ron hoạt động.

Giả thuyết: A PCB Nhà sản xuất cần phải mua trang web. Các kỹ s ư AO thường quyết định có nên mua thiết bị cung cấp chưa? 1269;128;;;i;s AO trên cơ sở kiểm tra dựa trên:, sai điểm, Độ thích ứng của vật liệu và thủ tục, sơ bộ hoạt động và kỹ năng sản xuất, Comment. Những thứ đánh giá này không được sắp xếp theo trọng lượng. Khác PCB Các nhà sản xuất có mối lo khác nhau và trọng lượng được đặt khác nhau. Ví dụ như, manufacturer A produces high-end products with special materials and complex sản xuất processes, sẽ đặt trọng lượng cao về khả năng kiểm tra và khả năng thích ứng. giá trong khi nhà sản xuất B sản xuất hạ giá, nó có thể chú ý đến độ dễ hoạt động và tốc độ quét. Which items (or called inputs, dự đoán, nét, these are concepts in machine learning) need to be used for evaluation, phụ thuộc vào tình trạng hiện tại, Quá trình này là phơi nắng hay tạo chức năng. Thay thế các vật đánh giá trên và giá trị trọng lượng tương ứng như nhập vào mô hình thần kinh của hình E, những giá trị ngoại giao tương ứng có thể được tính theo hàm tuyến trên, và sau đó qua chức năng kích hoạt không tuyến, the value of 0 to 1 (or -1 to 1) can be obtained. Một số ở giữa, để mô phỏng hoạt động logic của các nơ-ron sinh học. Thay đổi trọng lượng và giả dạng, có thể lấy được các mẫu quyết định khác. Học sâu, Trọng lượng W và số B được điều khiển b ởi dữ liệu, và trọng lượng và khuynh hướng là các tham số của hạt nhân kết cấu.

Nếu kết quả của mỗi tế bào thần kinh mô phỏng một mạng lưới thần kinh sinh học và được kết nối với kết nhập của các thần kinh tiếp theo, một mạng lưới thần kinh nhân tạo có thể được hình thành (xem hình hình nộm 4). Việc nhập vào điểm đánh giá "điểm sai" trong ví dụ trên được xác định bởi kết xuất của thần kinh cấp trên. Để dự đoán kết quả, cần phải quyết định dựa trên độ nhập và trọng lượng kết nối của thần kinh cấp trên, như: 1. Có phải sử dụng nhiều bộ phận khác nhau Động cơ phát hiện được dùng để lọc những thiếu sót không quan trọng của vùng cấm, 2. Có hay không dùng nguồn ánh sáng phổ quang đầy đủ để đảm bảo chụp được một ảnh rõ ràng; 3. Có hay không dùng động cơ tuyến không liên kết để đảm bảo vận chuyển mịn của vật thể đo để tạo ảnh ổn định, v.v.

Học sâu là một bộ sưu tập mạnh mẽ của nhiều thuật toán học để học về mạng thần kinh.. Nói chung là..., nó là tiến trình giải quyết mối quan hệ giữa nhập và xuất, và theo nghĩa hẹp, Đó là quá trình giải quyết cân nặng và khuynh hướng của các nơ-ron. Kết nối mạng thần kinh theo lớp nhập, Lớp ẩn và lớp xuất theo kiểu mạng để tạo một mạng lưới thần kinh sâu. Số lớp ẩn và các mô- đun chức năng xác định độ sâu và kiểu của mạng thần kinh, như FNNn, CNN, Comment, và GAN. Quá trình học sâu là đầu tiên nhập dữ liệu được dán nhãn của tập luyện vào mạng thần kinh., và sau mỗi lớp xử lý mạng thần kinh, giảm thiểu lỗi giữa kết quả xuất và giá trị mong đợi, đó là, the loss function is minimized (the loss function is usually used to measure The deviation between actual behavior and expected behavior), quá trình chủ yếu là theo tính cách lặp đi lặp lại tạ và hoá bằng cách rải ngược, Huyết áp, và chức năng mất. Trong quá trình huấn luyện mạng thần kinh, chúng ta thường gặp phải vấn đề về lặn mất hay dốc nổ, huấn luyện quá chậm và quá nhiều.. Vấn đề này quá lớn để có thể thảo luận sâu ở đây..
1.3. AI application scenarios

The Trí tuệ nhân tạo system is mainly composed of three parts: 1. Nhập thông tin. Nhận diện thế giới vật chất đang thay đổi theo động tĩnh qua các bộ phận cảm biến, để có được một lượng lớn dữ liệu; Name. Xử lý quyết định. áp dụng lượng lớn dữ liệu thu được trên mô hình được lấy từ việc học máy tính để suy luận., dư đoán hay quyết định; Comment. Chạy xuất. Thực hiện hành động tương ứng dựa trên kết quả luận hay dự đoán. Nói ngắn gọn, nó sẽ xây dựng một mô hình dự đoán cho một lượng lớn dữ liệu nhập qua sự phục hồi., cả thuật toán học máy móc nữa, và áp dụng mô hình xây dựng vào bộ dữ liệu thực tế để có kết quả dự đoán. Al đã được phổ biến trong lĩnh vực tài chính, chăm sóc y tế, giáo dục, an ninh cộng đồng, Name, Truyền:, Nông, khí, và dịch vụ. Bàn 1 liệt kê các viễn cảnh ứng dụng AI chung.
2. AOI automatic optical inspection

I briefly introduced the basic concepts of AI artificial intelligence, và thuật toán ảo thuật máy tính thường dùng trong AI. Những thuật toán Tầm nhìn này cũng được dùng rộng rãi trong. Kiểm tra quang học tự động được hóa từ thanh tra ảnh hướng dẫn. Quy tắc hoạt động là: đầu tiên, Thông tin về tính năng ảnh yêu cầu là "học được" từ dữ liệu CAM thông qua thuật toán hình ảnh, và sau đó được dùng để huấn luyện ảnh quét của mỗi người PCB. Thu thập các mẫu đã học để lấy tính năng, so sánh ảnh có tính năng với dữ liệu tiêu chuẩn, and report the problem points that need to be detected according to the given rules (detection standards). Bởi vì A.A.I là một ứng dụng điển hình của máy tính nhìn, nó có cùng khó khăn với tầm nhìn máy tính.
2.1. Visual difficulties in AOI
Information loss in the imaging process: When a person tries to understand an image, kinh nghiệm và kiến thức trước sẽ được dùng cho việc quan sát hiện thời.. Quá trình nhận biết ảnh thường được hoàn thành vô thức. Tính to án cần phải có kết quả và phương pháp., nhận dạng mẫu, artificial intelligence, Tâm lý, khoa học máy tính, đồ, và các lĩnh vực khác. Do đó, làm ơn, bởi vì 3D PCB Ban điều khiển hiện trường được chiếu vào vùng 2D, rất nhiều thông tin đã mất, đặc biệt là thông tin sâu, như ánh sáng, thuộc tính chất, Hướng và khoảng cách, Comment., được phản ánh như giá trị đo lường duy nhất mức độ xám. Hình chiếu của cùng một máy bay 2D có thể được sản xuất bởi một số lượng vô hạn các hình chiếu hiện trường 3D khả thi.. Do đó, Quá trình đảo ngược từ 2D sang 3D là một quá trình không điều chỉnh., hay vấn đề xấu. Các dữ liệu quan sát không đủ để giới hạn giải pháp của vấn đề, Cho nên cần dùng kiến thức thử nghiệm đầu tiên hoặc giới hạn thích hợp. Ví dụ như, Kiểm tra hàng bộ, it is often encountered that there is an open circuit on the scanned image (2D image), nhưng thực tế nó có thể là một vòng đua mở., hoặc các điểm oxi hóa, keo dư, dust on the line (3D scene)...
Cửa sổ cục bộ và xem toàn cầu: Thường, Bộ thuật to án phân tích ảnh cần phân tích và vận hành thiết bị lưu trữ đặc biệt trong bộ nhớ và các đơn vị lân cận của nó.. Khi ảnh có thể lấy từ khung cảnh địa phương hoặc chỉ vài lỗ nhỏ, Sự giải thích của ảnh thường rất khó khăn.. Bản chụp chụp chụp độ rộng đã xác định theo cách giải quyết khác nhau và chia nó thành những khối ảnh có kích thước xác định để xử lý. Do đó, cũng phân tích và xử lý một phần thuật toán phát hiện. Nó sẽ không được thêm vào PCB phân tích mạng như E-Test, Chỉ trong chế độ logic. Add an auxiliary layer for functional analysis
As a key process of quality control in PCB sản xuất, trong quá trình AO, quá trình xác nhận trên máy kiểm tra đòi hỏi nhiều thủ tục tham gia hơn., và người điều khiển cần sửa chữa dựa trên sai sót.