Neuigkeiten

Anwendungsszenarien von Al:

Künstliche Intelligenz besteht hauptsächlich aus drei Teilen: ① Informationseingabe. Erfassung der dynamischen physischen Welt durch verschiedene Erfassungsgeräte, um eine große Datenmenge zu erhalten; ② Entscheidungsverarbeitung. Anwendung einer großen Menge an Daten auf das durch maschinelles Lernen erhaltene Modell für Argumentation, Vorhersage oder Entscheidungsfindung; ③ Ausgabe ausführen. Führen Sie entsprechende Aktionen nach den Ergebnissen des Denkens oder der Vorhersage durch. Kurz gesagt, es besteht darin, ein Vorhersagemodell für eine große Anzahl von Eingabedaten durch maschinelles Lernen Algorithmen wie Regression und Integration zu erstellen und das etablierte Modell auf den tatsächlichen Datensatz anzuwenden, um die Vorhersageergebnisse zu erhalten. Al wurde in Finanzen, medizinischer Behandlung, Bildung, öffentlicher Sicherheit, Verkehr, Kommunikation, Landwirtschaft, Meteorologie, Dienstleistungsindustrie und anderen Bereichen weit verbreitet.

AOI automatische optische Inspektion:

Das grundlegende Konzept der Al künstlichen Intelligenz wird kurz eingeführt, und die Computer Vision Algorithmen häufig in Al verwendet werden erwähnt. Diese Vision-Algorithmen werden auch weit verbreitet in AOI. AOI automatische optische Erkennung entwickelte sich aus manueller visueller Inspektion. Sein Arbeitsprinzip ist wie folgt: erstens ist die erforderliche Bildfunktionsinformation “ Lernen” auf den Standard-CAM-Daten durch den visuellen Algorithmus, und dann wird das Feature auf dem gescannten Bild jeder Leiterplatte unter Verwendung des Modells auf dem Trainingssatz gelernt extrahiert, und das erhaltene Feature-Bild wird mit den Standarddaten verglichen,Melden Sie die Problempunkte nach den gegebenen Regeln (Detektionskriterien) zu erkennen. Da AOL eine typische Anwendung von Computer Vision ist, hat es die gleichen Schwierigkeiten wie Computer Vision.

Sehschwierigkeiten bei AOI:

Informationsverlust im Bildverarbeitungsprozess: Wenn Menschen versuchen, ein Bild zu verstehen, werden frühere Erfahrungen und Kenntnisse für die aktuelle Beobachtung verwendet. Der Prozess des Verständnisses eines Bildes wird in der Regel unbewusst abgeschlossen. Die Computer Vision muss die Ergebnisse und Methoden der Mathematik, der Mustererkennung, der künstlichen Intelligenz, der Psychophysiologie, der Informatik, der Elektronik und anderer Disziplinen einbeziehen. Daher gehen bei trockener AOI viele Informationen verloren, wenn das PCB-Feld von trockener 3D in 2D-Raum projiziert wird, insbesondere die Tiefeninformationen wie Beleuchtung, Materialeigenschaften, Orientierung und Abstand werden als einziger gemessener Wert reflektiert – Grauwert. Die Projektion derselben 2D-Ebene kann durch eine unendliche Anzahl möglicher 3D-Szenenprojektionen erzeugt werden. Daher ist der umgekehrte Prozess von 2D zu 3D ein schlecht bedingter Prozess oder ein schlecht gestelltes Problem. Die Beobachtungsdaten reichen nicht aus, um die Lösung des Problems einzuschränken. Daher ist es notwendig, a priori Wissen zu nutzen oder entsprechende Einschränkungen einzuführen. Beispielsweise wird bei der AOI-Erkennung häufig auf einen offenen Schaltkreis auf dem gescannten Bild (2D-Bild) gestoßen, aber es kann tatsächlich ein echter offener Schaltkreis oder Oxidationspunkte, Restkleber und Staub auf der Leitung sein (3D-Szene)

Bildokklusion: In der Computersicht bezieht sich Bildokklusion in der Regel auf Lichtokklusion, physische Oklusion, Selbstokklusion oder gemischte Oklusion. Denn Bildokklusion verliert nicht nur einige Zielinformationen, sondern führt auch zusätzliche Störungen ein. Die Abschirmung bei AOI bedeutet, dass der tatsächliche Mangel durch Fremdsachen abgedeckt wird (siehe Abbildung 5). Dieser Kurzschluss ist von viskosen Fremdstoffen bedeckt. Nach der Reinigung mit Werkzeugen kann ein wenig Bodenkupper gesehen werden, aber die Fremdstoffe können nicht vollständig entfernt werden. Es muss mit einem Faserwisch gewischt werden. Daher kann AOI nicht beurteilen, ob es wahre Mängel unter Fremdkörpern durch Grauwanderungen gibt.

Lokales Fenster und globale Ansicht: Normalerweise ist die Analyseoperation des Bildanalyse-Algorithmus die spezielle Speichereinheit (ein Pixel im Bild) und ihre benachbarten Einheiten im Speicher. Wenn das Bild nur aus der lokalen Ansicht oder nur aus einigen lokalen Löchern gewonnen werden kann, ist es in der Regel sehr schwierig, ein Bild zu interpretieren. Ao scannt die angegebene Breite nach verschiedenen Auflösungen und teilt sie für die Verarbeitung in Bildblöcke der angegebenen Größe auf. Daher ist der Erkennungsalgorithmus von AOL auch die lokale Analyse und Verarbeitung. PCB-Netzwerkanalyse wird nicht wie E-Test hinzugefügt. In der Logikverarbeitung für die Funktionsanalyse wird nur eine Hilfsschicht hinzugefügt. 

KI-Anwendung in AOI:

Als Schlüsselprozess der Qualitätskontrolle in der Leiterplattenherstellung erfordert der AOI-Prozess mehr manuelle Beteiligung am Bestätigungsprozess auf der Wartungsmaschine. Die Betreiber müssen falsche Mängel, Reparatur- und SchrottMängel klassifizieren, entsprechende Reparatur- oder Kennzeichnungsmaßnahmen auf der Platte durchführen und gleichzeitig den Qualitätsbericht aufzeichnen. In diesen Verbindungen beschäftigt sich die Industrie mit der Verbesserung der Produktionseffizienz, der Reduzierung der Produktionskosten (insbesondere der Arbeitskosten) und der Reduzierung von Qualitätsabfällen, die durch menschliche Faktoren verursacht werden (Wischen von Blumen im Handhabungsprozess, Fehlerurteilung und Auslassung im Bestätigungsprozess usw.).

Wie bereits erwähnt, besteht die Anwendung der Al-Technologie darin, praktische Probleme auf einfache und praktische Weise zu lösen. Im Gegensatz zu heute’ s intelligente Beleuchtung, traditionelle Beleuchtung kann das Licht ein- / ausschalten, indem Sie einfach den Schalter drücken. Intelligente Beleuchtung muss das Handy herausnehmen, um die App einzuschalten, das Licht einzuschalten und die Farbhelligkeit anzupassen oder durch Sprachsteuerung, aber der Prozess wird umständiger. Bei der Integration der Al-Technologie in die AOI-Erkennung ist es notwendig, das Verhalten von Al für Al zu vermeiden, aber eine Reihe wertvoller Schemas zu bilden. Die Diskussion ist in drei Teile unterteilt: Beladen und Entladen, AOI-Erkennung und CVR-Bestätigung.

Laden und Entladen:

Das Be- und Entladen umfasst das Be- und Entladen von AOL und Wartungsmaschinen. Immer mehr Hersteller haben Automatisierungssysteme wie Förderband und Manipulator implementiert, um die Effizienz zu verbessern und die Arbeitskosten zu senken. AGV-Trolley wird auch für die Materialübertragung zwischen AOI-Scanner und Wartungsmaschine in Betracht gezogen. Wenn intelligente Roboter zum Be- und Entladen eingesetzt werden, müssen Kosten und Effizienz intelligenter Roboter bewertet werden.

AOI-Erkennung:

Es umfasst hauptsächlich AOI-Gerätebetrieb und Logikbetrieb. Das AOI-Anwendungssystem hat verschiedene Operationen vereinfacht (Artikelnummer-Abrufen, Ausrichtung, optische Korrektur und Anwendungseinstellung) und im Grunde eine Schlüsseloperation realisiert. Einige Hersteller verwenden die Methode des Scannens von QR-Codes, um die zu scannende Artikelnummer abzurufen, um schnell und genau zu gewährleisten. Daher muss der Betriebsprozess von AOL gemäß der aktuellen Situation derzeit nicht durch die Al-Technologie optimiert werden. Wenn das visuelle System oder das Spracherkennungssystem gezwungen wird, das AOI-System zu bedienen, wird der gesamte Prozess komplexer. Nach Jahren der Iteration und Optimierung, AOL’ s Detektionslogik wurde entsprechend dem Trainingsprozess des Deep Learning ausgewertet und ist zum optimalen Detektionsmodell geworden. Was die Effizienz der logischen Operation betrifft, wie al, AOL’ Der visuelle Algorithmus verwendet auch viele Matrixmultiplikations- und Konvolutionsvorgänge, da die GPU Matrixmultiplikations- und Konvolutionsvorgänge effizient verarbeiten kann. Es kann vorhergesagt werden, dass die GPU verwendet wird, um AOI immer mehr zu trocknen, um die Effizienz des logischen Betriebs zu verbessern. Die anschließende AOI-Behandlung ist die Schlüsselglied der Al-Technologieanwendung, d. h. die Bestätigung der Al-Technologieanwendung trockene Wartungsstation, um Ausrüstungsinvestitionen und Arbeitskosten zu reduzieren.

CVR Bestätigung:

Dieser Prozess ist der am meisten betroffene Teil, hauptsächlich einschließlich False Point Filtering und True Point Classification. Wenn die falsche Punktrate reduziert werden kann, werden die Board Handling, Wartungsausrüstungsinvestitionen und Wartungsarbeitskosten entsprechend reduziert. Der falsche Punkt bezieht sich hier nicht auf den logischen falschen Punkt (der ohne Anomalie gemeldete Defekt), sondern auf den nicht gemeldeten Defekt, wie Staub, kohäsionsfreie Fremdstoffe und Oxidation. Laut Statistiken “ falsche Punkte” für weniger als 30% und bis zu 80% der gesamten Mängel verantwortlich sind (dieser Anteil variiert stark je nach Hersteller, Fertigungsanlagen, Prozesssteuerung, Produktionsumfeld und anderen Faktoren). Siehe Abbildung 6 für das gemeinsame falsche Punktdiagramm.

Nachteile des Hebens von Fremdkörpern:

Wie in den früheren Sehschwierigkeiten diskutiert, ist es unmöglich, das Material und die Höhe des Fremdkörpers, insbesondere die Kombination zwischen dem Fremdkörper und der Plattenoberfläche (ob der Fremdkörper Viskosität hat) oder ob unter dem Fremdkörper abgedeckte Mängel vorhanden sind, zu bestimmen, und es ist auch unmöglich, Oxidationspunkte, Kupferoberflächendeckungen oder Pinholes nur durch den Grauwechsel der 2D-Graukarte (sogar RGB-Kanalkarte des Farbbildes) genau zu unterscheiden. Wenn die Betreiber der Wartungsstation daher in der realen Produktion auf solche Mängel stoßen, verwenden sie Hilfswerkzeuge (Druckluft, klebrige Staubwalze, Radiergummi oder Fasergummi usw.), um den Defekttyp zu reinigen und zu bestätigen. Wenn Sie ein Visionssystem in diesem Link hinzufügen möchten, um solche falschen Punkte zu reduzieren, müssen Sie bedenken, wie Sie die Störungen verschiedener Arten von Fremdobjekten, Oxidation, Ätzmuster-Unterschiede und so weiter überwinden können, was das System erfordert, 3D-Proben als Verarbeitungsobjekt zu verwenden, genauso wie die Ausnahmenanalyse von PCB SEM oder Scheibe benötigt. Angesichts der Tatsache, dass der Anteil solcher Mängel so hoch wie 3% ~ 10% (fluktuiert entsprechend der staubfreien Verwaltung der AOL-Werkstatt, dem Wartungszyklus jedes Flüssigkeitsmedizinzylinders der Ätzlinie, dem Reinigungszyklus der Membranfilm, der Plattenrandbehandlung nach dem Schneiden usw.), wenn Al einfach auf der Grundlage bestehender Ausrüstung angewendet wird, muss das Ergebnis sein, dass al-Technologie zwar die Arbeitskosten reduziert, aber gleichzeitig die Produktionsqualität ernsthaft beeinflusst.

Perspektive von KI für echte Fehlerverarbeitung:

Was ist also die Aussicht von Al für eine echte Defektbehandlung? Wenn CVR-Betreiber bestätigen, dass die Mängel wahre Mängel sind, unterteilen sie in der Regel die wahren Mängel in Reparatur und Schrott, und diese Mängel können online oder offline bearbeitet werden. Die On-line-Bearbeitung bezieht sich auf die On-line-Reparatur von Reparaturfehlern während des Bestätigungsprozesses und die Schrottinformationen von geschrotteten Mängeln sind auf der Platte markiert. Offline-Verarbeitung bezieht sich lediglich auf die Kennzeichnung von Mängeln oder die Eingabe von Mängelcodes während der Bestätigung und die Übermittlung dieser an anderes Personal oder Ausrüstung zur Reparatur oder zum Schrott. Der Autor glaubt, dass ob Al auf falsche Fehlerfilterung oder wahre Fehlerklassifizierung angewendet wird, von der falschen Punktrate, der Fehlverteilung und der Leiterplattenstruktur der Leiterplattenfabrik abhängt, und es ist notwendig, entsprechende Anwendungsregeln für künstliche Intelligenz zu formulieren (wie die Festlegung der Auffahrt für fahrerlose Autos) oder Al mit einem stärkeren Wahrnehmungssystem zu versorgen, um sicherzustellen, dass Al die Form von Fehlern eindeutig wahrnehmen kann. Es ist optimistisch, den Bau neuer Infrastruktur zuerst zu fördern: das Big Data System importieren. Die erforderlichen Fehlerbilder können über das CDB- und VVS-System von CIMS erfasst werden. Die Fehlerklassifizierung auf VVS (virtuelles Bestätigungssystem) kann nicht nur die Ausrüstungsinvestitionen von CVR erheblich reduzieren, sondern auch die Fehlerbilder kennzeichnen, um sich auf die Einführung der Al-Technologie vorzubereiten. Nach dem Hinzufügen von VVS-System und Al-Technologie zum CDB-Datenbanksystem muss CVR nur mit den Mängeln fertig werden, die nicht durch Bilder beurteilt werden können. Nach ausreichendem Lernen und Modelliteration (insbesondere der kontinuierlichen Aktualisierung neuer Materialien und neuer Prozesse) kann grundsätzlich jede Erkennung künstlicher Intelligenz realisiert werden.

Schlussfolgerung:

Obwohl al-Technologie in der AOI-Bildverarbeitung weit verbreitet wurde, gibt es immer noch riesige Anwendungsszenarien und Platz in der Wartungsverbindung. Vor allem heute, mit der schnellen Iteration eines Algorithmus, wird das zukünftige Wartungssystem ein intelligentes Wartungssystem sein, das verschiedene Algorithmen integriert. Natürlich können diese Algorithmen einfache Regressions- und Klassifizierungsalgorithmen sowie komplexes Verstärkungslernen und strukturiertes Lernen sein. Starke künstliche Intelligenz und schwache künstliche Intelligenz sind heute umstrittene philosophische Themen.