أخبار

سيناريوهات تطبيق Al:

يتكون نظام الذكاء الاصطناعي أساسا من ثلاثة أجزاء: ① مدخلات المعلومات. استشعار العالم المادي الديناميكي من خلال أجهزة الاستشعار المختلفة ، بحيث يتم الحصول على كمية كبيرة من البيانات ؛ ② معالجة القرارات. تطبيق كمية كبيرة من البيانات التي تم الحصول عليها على النموذج الذي تم الحصول عليه عن طريق التعلم الآلي للتفكير أو التنبؤ أو صنع القرار. ③ تنفيذ الناتج. أداء الإجراءات المقابلة وفقا لنتائج التفكير أو التنبؤ. باختصار ، هو إنشاء نموذج تنبؤ لعدد كبير من البيانات المدخلة من خلال خوارزميات التعلم الآلي مثل الانحدار والتكامل ، وتطبيق النموذج المحدد على مجموعة البيانات الفعلية للحصول على نتائج التنبؤ. وقد استخدم على نطاق واسع في التمويل والعلاج الطبي والتعليم والأمن العام والنقل والاتصالات والزراعة والأرصاد الجوية وصناعة الخدمات وغيرها من المجالات.

AOI التفتيش البصري التلقائي:

يتم تقديم المفهوم الأساسي للذكاء الاصطناعي بشكل موجز ، ويتم ذكر خوارزميات رؤية الكمبيوتر المستخدمة عادة في الذكاء الاصطناعي. كما تستخدم خوارزميات الرؤية هذه على نطاق واسع في AOI. تطور الكشف البصري التلقائي AOI من التفتيش البصري اليدوي. مبدأ عملها هو كما يلي: أولا، معلومات ميزة الصورة المطلوبة هي “ تعلم” على بيانات CAM القياسية من خلال الخوارزمية البصرية ، ثم يتم استخراج الميزة على الصورة المسح الضوئي لكل لوحة متعددة الأقراص باستخدام النموذج المتعلم على مجموعة التدريب ، ويتم مقارنة صورة الميزة التي تم الحصول عليها بالبيانات القياسية ، والإبلاغ عن نقاط المشكلة التي سيتم الكشف عنها وفقًا للقواعد المعطاة (معايير الكشف). بما أن AOL هو تطبيق نموذجي لرؤية الكمبيوتر ، فإنه يعاني من نفس الصعوبات مثل رؤية الكمبيوتر.

صعوبات بصرية في AOI:

فقدان المعلومات في عملية التصوير: عندما يحاول الناس فهم صورة، سيتم استخدام الخبرة والمعرفة السابقة للمراقبة الحالية. وعادة ما تكتمل عملية فهم الصورة دون وعي. يجب أن تشمل الرؤية الحاسوبية نتائج وأساليب الرياضيات والتعرف على الأنماط والذكاء الاصطناعي وعلم النفس والجسم وعلوم الكمبيوتر والإلكترونيات وغيرها من التخصصات. لذلك ، بالنسبة لـ AOI الجاف ، يتم فقدان الكثير من المعلومات عندما يتم إسقاط مجال PCB من 3D الجاف في الفضاء ثنائي الأبعاد ، وخاصة معلومات العمق ، مثل الإضاءة وخصائص المواد والاتجاه والمسافة ، تنعكس كقيمة قياسية وحيدة &#8211 ؛ القيمة الرمادية. يمكن إنشاء إسقاط نفس الطائرة ثنائية الأبعاد بواسطة عدد لا نهائي من الإسقاطات المحتملة للمشهد ثلاثي الأبعاد. لذلك ، فإن العملية العكسية من 2D إلى 3D هي عملية مشروطة بشكل سيء ، أو مشكلة سيئة. بيانات الملاحظة ليست كافية لتقييد حل المشكلة. لذلك ، من الضروري استخدام المعرفة المسبقة أو إدخال قيود مناسبة. على سبيل المثال ، في الكشف عن AOI ، غالبًا ما يواجه وجود دائرة مفتوحة على الصورة المسحوبة (صورة ثنائية الأبعاد) ، لكنها قد تكون في الواقع دائرة مفتوحة حقيقية ، أو نقاط أكسدة ، الغراء المتبقي والغبار على الخط (مشهد ثلاثي الأبعاد)

إغلاق الصورة: في الرؤية الحاسوبية ، عادة ما يشير إغلاق الصورة إلى إغلاق الضوء أو الإغلاق المادي أو الإغلاق الذاتي أو الإغلاق المختلط. لأن إغلاق الصورة لا يفقد بعض المعلومات المستهدفة فحسب ، بل يؤدي أيضًا إلى تداخل إضافي. التدريع في AOI يعني أن العيب الحقيقي مغطى بالمسائل الأجنبية (انظر الشكل 5). تغطي هذه الدائرة القصيرة بالمواد الأجنبية اللزجة. يمكن رؤية القليل من النحاس السفلي بعد التنظيف بأدوات ، ولكن لا يمكن إزالة المسائل الأجنبية بالكامل. يجب مسحها بمسح الألياف. لذلك ، لا يمكن لـ AOI الحكم على ما إذا كانت هناك عيوب حقيقية تحت الأجسام الأجنبية من خلال التغيرات الرمادية.

النافذة المحلية والمنظر العالمي: عادة، عملية تحليل خوارزمية تحليل الصورة هي وحدة التخزين الخاصة (بكسل في الصورة) ووحداتها المجاورة في الذاكرة. عندما يمكن الحصول على الصورة فقط من المنظر المحلي أو فقط بعض الثقوب المحلية ، فإنه عادة ما يكون من الصعب جدا تفسير الصورة. يقوم Ao بمسح العرض المحدد وفقًا لقرارات مختلفة ويقسمه إلى كتل صورة بحجم محدد للتجهيز. لذلك ، فإن خوارزمية الكشف عن AOL هي أيضًا التحليل والمعالجة المحلية. لن يتم إضافة تحليل شبكة PCB مثل الاختبار الإلكتروني. سيتم إضافة طبقة مساعدة فقط في المعالجة المنطقية للتحليل الوظيفي. 

تطبيق الذكاء الاصطناعي في AOI:

كعملية رئيسية لمراقبة الجودة في تصنيع لوحات متعددة الكلورات، تتطلب عملية AOI المزيد من المشاركة اليدوية في عملية التأكيد على آلة الصيانة. يحتاج المشغلون إلى تصنيف العيوب الكاذبة وعيوب الإصلاح وعيوب الخردة ، وإجراء إجراءات الإصلاح أو وضع العلامات المقابلة على اللوحة ، وتسجيل تقرير الجودة في نفس الوقت. في هذه الروابط ، تهتم الصناعة بكيفية تحسين كفاءة الإنتاج ، وتقليل تكاليف الإنتاج (وخاصة تكاليف العمالة) وتقليل تشوهات الجودة الناجمة عن العوامل البشرية (مسح الزهور في عملية التعامل ، سوء الحكم والإغفال في عملية التأكيد ، إلخ).

وكما ذكرنا سابقا، فإن تطبيق تكنولوجيا آل هو حل المشاكل العملية بطريقة بسيطة وعملية. على عكس اليوم’ الإضاءة الذكية، الإضاءة التقليدية يمكن تشغيل / إيقاف الضوء ببساطة الضغط على المفتاح. تحتاج الإضاءة الذكية إلى إخراج الهاتف المحمول لتشغيل التطبيق ، وتشغيل الضوء وتعديل سطوع اللون ، أو من خلال التحكم الصوتي ، ولكن العملية تصبح أكثر صعوبة. في عملية دمج التكنولوجيا في الكشف عن AOI ، من الضروري تجنب سلوك Al for Al ، ولكن لتشكيل مجموعة من المخططات القيمة. تنقسم المناقشة إلى ثلاثة أجزاء: التحميل والتفريغ، والكشف عن AOI وتأكيد CVR.

التحميل والتفريغ:

التحميل والتفريغ يشمل تحميل وتفريغ AOL وآلة الصيانة. وقد نفذ المزيد والمزيد من المصنعين مخططات الأتمتة مثل الحزام الناقل والملاعب لتحسين الكفاءة وتقليل تكلفة العمالة. تعتبر عربة AGV أيضًا لنقل المواد بين الماسح الضوئي AOI وآلة الصيانة. إذا استخدمت الروبوتات الذكية للتحميل والتفريغ ، فإن تكلفة وكفاءة الروبوتات الذكية تحتاج إلى تقييم.

الكشف عن AOI:

ويشمل أساسا تشغيل معدات AOI والتشغيل المنطقي. قام نظام تطبيق AOI ببساطة عمليات مختلفة (استرجاع رقم البند ، والمحاذاة ، والتصحيح البصري وإعداد التطبيق) ، وتحقق في الأساس عملية رئيسية واحدة. يستخدم بعض المصنعين طريقة مسح رمز QR لاسترداد رقم البند الذي سيتم مسحه الضوئي لضمان سرعة ودقة. لذلك ، وفقًا للوضع الحالي ، لا تحتاج عملية تشغيل AOL إلى تحسين تكنولوجيا Al في الوقت الحالي. إذا أجبر النظام البصري أو نظام التعرف على الكلام على تشغيل نظام AOI ، فإن العملية بأكملها ستصبح أكثر تعقيداً. بعد سنوات من التكرار والتحسين، AOL’ تم تقييم منطق الكشف وفقا لعملية التدريب للتعلم العميق ، وأصبح نموذج الكشف الأمثل. أما بالنسبة لكفاءة العملية المنطقية، مثل ال، AOL’ تستخدم الخوارزمية البصرية أيضًا الكثير من عمليات ضرب المصفوفة والتكوين ، لأن وحدة المعالجة الرسومية يمكن أن تتعامل بكفاءة مع عمليات ضرب المصفوفة والتكوين. يمكن التنبؤ بأن GPU سوف تستخدم لتجفيف AOI أكثر وأكثر لتحسين كفاءة العملية المنطقية. علاج AOI اللاحق هو الرابط الرئيسي لتطبيق تكنولوجيا Al ، أي تأكيد محطة الصيانة الجافة لتطبيق تكنولوجيا Al ، من أجل تقليل استثمار المعدات وتكلفة العمالة.

تأكيد CVR:

هذه العملية هي الجزء الأكثر اهتماما، بما في ذلك أساسا تصفية النقاط الكاذبة وتصنيف النقاط الحقيقية. إذا كان يمكن تقليل معدل النقطة الكاذبة ، فسيتم تقليل تكلفة التعامل مع اللوحة والاستثمار في معدات الصيانة وتكلفة العمالة الصيانة وفقًا لذلك. النقطة الكاذبة هنا لا تشير إلى النقطة الكاذبة المنطقية (العيب المبلغ عنه دون أي شذوذ) ، ولكن العيب الذي لا يريد الإبلاغ عنه ، مثل الغبار والمواد الأجنبية غير المتماسكة والأكسدة. وفقا للإحصاءات ، مثل “ نقاط كاذبة” تمثل أقل من 30٪ وما يصل إلى 80٪ من إجمالي العيوب (ستختلف هذه النسبة اختلافا كبيرا حسب مختلف المصنعين ’ معدات التصنيع ومراقبة العملية وبيئة الإنتاج وعوامل أخرى). انظر الشكل 6 لمخطط النقطة الكاذبة الشائعة.

عيوب رفع الأجسام الأجنبية:

كما نوقشت في الصعوبات البصرية السابقة ، من المستحيل تحديد المادة والارتفاع للجسم الأجنبي ، وخاصة المزيج بين الجسم الأجنبي وسطح الصفيحة (ما إذا كان الجسم الأجنبي له لزوجة) أو ما إذا كانت هناك عيوب مغطاة تحت الجسم الأجنبي ، ومن المستحيل أيضًا التمييز بدقة بين نقاط الأكسدة أو ثقوب سطح النحاس أو الثقوب فقط من خلال التغيير الرمادي للخريطة الرمادية ثنائية الأبعاد (حتى خريطة قناة RGB للصورة الملونة). لذلك ، في الإنتاج الحقيقي ، عندما يواجه مشغلو محطة الصيانة مثل هذه العيوب ، سيستخدمون أدوات مساعدة (الهواء المضغوط ، أسطوانة الغبار اللاصقة ، مسح أو مسح الألياف ، إلخ) لتنظيف وتأكيد نوع العيب. إذا كنت ترغب في إضافة نظام الرؤية في هذا الرابط للحد من هذه النقاط الكاذبة ، يجب عليك النظر في كيفية التغلب على تداخل أنواع مختلفة من الأجسام الغريبة ، والأكسدة ، واختلافات نمط الحفر وهلم جرا ، والتي تتطلب من النظام استخدام عينات ثلاثية الأبعاد ككائن معالجة ، تماما كما يحتاج تحليل الاستثناء من PCB إلى SEM أو شريحة. بالنظر إلى أن نسبة مثل هذه العيوب تصل إلى 3٪ ~ 10٪ (تتقلب وفقًا لإدارة ورشة عمل AOL الخالية من الغبار ، ودورة الصيانة لكل أسطوانة طبية سائلة من خط الحفر ، ودورة تنظيف فيلم الحجاب الحاجز ، ومعالجة حافة الصفيحة بعد القطع ، إلخ) ، إذا تم تطبيق Al ببساطة على أساس المعدات الموجودة ، يجب أن تكون النتيجة أنه على الرغم من أن تكنولوجيا Al تقلل من تكلفة العمالة ، ولكن في نفس الوقت ، ستؤثر بشكل خطير على جودة الإنتاج.

احتمال الذكاء الاصطناعي لمعالجة العيوب الحقيقية:

إذن ما هي احتمالات آل لعلاج العيوب الحقيقية؟ عندما يؤكد مشغلو CVR أن العيوب هي عيوب حقيقية ، فإنهم عادة ما يقسمون العيوب الحقيقية إلى الإصلاح والتخلص ، ويمكن معالجة هذه العيوب عبر الإنترنت أو خارج الإنترنت. تشير المعالجة على الخط إلى إصلاح العيوب الإصلاحية على الخط أثناء عملية التأكيد ، ويتم وضع علامة على اللوحة على معلومات التخلص من العيوب المجردة. تشير المعالجة خارج الإنترنت فقط إلى وضع علامة على العيوب أو إدخال رموز العيوب أثناء التأكيد ، ثم نقلها إلى موظفين أو معدات أخرى لإصلاحها أو تخريطها. يعتقد المؤلف أن ما إذا كان يتم تطبيق Al على تصفية العيوب الكاذبة أو تصنيف العيوب الحقيقية يعتمد على معدل النقطة الكاذبة وتوزيع العيوب وهيكل لوحة PCB لمصنع PCB ، ومن الضروري صياغة قواعد التطبيق المقابلة للذكاء الاصطناعي (مثل تحديد الممر للسيارات بدون سائق) ، أو توفير Al بنظام إدراك أقوى لضمان أن Al يمكن أن يدرك بوضوح شكل العيوب ، إذا تم تحسين نظام الإضاءة أو اعتماد التصوير ثلاثي الأبعاد ، فمن الصعب إضافة أنظمة فرعية أجهزة جديدة. ومن المتفائل تعزيز بناء البنية التحتية الجديدة أولاً: استيراد نظام البيانات الكبيرة. يمكن جمع صور العيوب المطلوبة من خلال نظام CDB و VVS من CIMS. تصنيف العيوب على VVS (نظام التأكيد الافتراضي) لا يمكن أن يقلل بشكل كبير من استثمار معدات CVR فحسب ، بل يمكن أيضًا وضع علامة على صور العيوب للتحضير لإدخال تكنولوجيا Al. بعد إضافة نظام VVS وتكنولوجيا Al إلى نظام قاعدة بيانات CDB ، تحتاج CVR فقط إلى التعامل مع أوجه القصور التي لا يمكن الحكم عليها من خلال الصور. بعد التعلم الكافي وتكرار النموذج (وخاصة التحديث المستمر للمواد الجديدة والعمليات الجديدة) ، يمكن تحقيق جميع التعرف على الذكاء الاصطناعي بشكل أساسي.

استنتاج:

على الرغم من أن تكنولوجيا آل استخدمت على نطاق واسع في معالجة الصور AOI ، إلا أنه لا يزال هناك سيناريوهات تطبيقية ضخمة ومساحة في رابط الصيانة. خصوصا اليوم ، مع التكرار السريع للخوارزمية ، سيكون نظام الصيانة المستقبلي نظام صيانة ذكي يدمج خوارزميات مختلفة. بطبيعة الحال ، يمكن أن تكون هذه الخوارزميات الخوارزميات الانحدارية والتصنيف البسيطة ، بالإضافة إلى التعلم المعقد للتعزيز والتعلم المنظم. الذكاء الاصطناعي القوي والذكاء الاصطناعي الضعيف قضايا فلسفية مثيرة للجدل اليوم.