Noticias

Escenarios de aplicación de Al:

El sistema de inteligencia artificial se compone principalmente de tres partes: ① entrada de información. Detección del mundo físico dinámico a través de varios dispositivos de detección, para obtener una gran cantidad de datos; ② Procesamiento de decisiones. Aplicar una gran cantidad de datos obtenidos al modelo obtenido por aprendizaje automático para el razonamiento, la predicción o la toma de decisiones; ③ Ejecutar la salida. Realizar acciones correspondientes según los resultados del razonamiento o la predicción. En resumen, es establecer un modelo de predicción para un gran número de datos de entrada a través de algoritmos de aprendizaje automático tales como regresión e integración, y aplicar el modelo establecido al conjunto de datos real para obtener los resultados de predicción. Al ha sido ampliamente utilizado en finanzas, tratamiento médico, educación, seguridad pública, transporte, comunicación, agricultura, meteorología, industria de servicios y otros campos.

Inspección óptica automática AOI:

Se introduce brevemente el concepto básico de inteligencia artificial de Al, y se mencionan los algoritmos de visión por computadora comúnmente utilizados en Al. Estos algoritmos de visión también se usan ampliamente en AOI. La detección óptica automática AOI evolucionó de la inspección visual manual. Su principio de trabajo es el siguiente: en primer lugar, la información de la característica de la imagen requerida es “ Aprendiendo” en los datos CAM estándar a través del algoritmo visual, y luego la característica se extrae en la imagen escaneada de cada PCB utilizando el modelo aprendido en el conjunto de entrenamiento, y la imagen de característica obtenida se compara con los datos estándar, Informe los puntos de problema a detectar de acuerdo con las reglas dadas (criterios de detección). Dado que AOL es una aplicación típica de visión por computadora, tiene las mismas dificultades que la visión por computadora.

Dificultades visuales en AOI:

Pérdida de información en el proceso de imagen: cuando las personas intentan entender una imagen, la experiencia y el conocimiento previos se utilizarán para la observación actual. El proceso de comprensión de una imagen generalmente se completa inconscientemente. La visión por computadora debe incluir los resultados y métodos de las matemáticas, el reconocimiento de patrones, la inteligencia artificial, la psicofisiología, la informática, la electrónica y otras disciplinas. Por lo tanto, para AOI seco, se pierde mucha información cuando el campo de PCB de 3D seco se proyecta en el espacio 2D, especialmente la información de profundidad, como la iluminación, las propiedades del material, la orientación y la distancia, se reflejan como el único valor medido – valor gris. La proyección del mismo plano 2D puede generarse mediante un número infinito de proyecciones de escenas 3D posibles. Por lo tanto, el proceso inverso de 2D a 3D es un proceso mal condicionado, o problema mal planteado. Los datos de observación no son suficientes para limitar la solución del problema. Por lo tanto, es necesario utilizar el conocimiento a priori o introducir restricciones apropiadas. Por ejemplo, en la detección de AOI, a menudo se encuentra que hay un circuito abierto en la imagen escaneada (imagen 2D), pero en realidad puede ser un circuito abierto real, o puntos de oxidación, pegamento residual y polvo en la línea (escena 3D).

Oclusión de la imagen: en la visión por computadora, la oclusión de la imagen generalmente se refiere a la oclusión de la luz, la oclusión física, la auto-oclusión o la oclusión mixta. Debido a que la oclusión de la imagen no solo pierde cierta información del objetivo, sino que también introduce interferencia adicional. El blindaje en AOI significa que el defecto real está cubierto por asuntos extranjeros (ver Figura 5). Este cortocircuito está cubierto por materia extraña viscosa. Se puede ver un poco de cobre en el fondo después de la limpieza con herramientas, pero los asuntos extraños no se pueden eliminar completamente. Es necesario limpiarlo con una limpieza de fibra. Por lo tanto, AOI no puede juzgar si hay verdaderos defectos bajo cuerpos extraños a través de cambios grises.

Ventana local y vista global: generalmente, la operación de análisis del algoritmo de análisis de imagen es la unidad de almacenamiento especial (un píxel en la imagen) y sus unidades adyacentes en la memoria. Cuando la imagen puede obtenerse solo a partir de la vista local o solo de algunos agujeros locales, generalmente es muy difícil interpretar una imagen. Ao escanea el ancho especificado de acuerdo con diferentes resoluciones y lo divide en bloques de imagen del tamaño especificado para su procesamiento. Por lo tanto, el algoritmo de detección de AOL también es el análisis y procesamiento locales. El análisis de red de PCB no se agregará como prueba electrónica. Sólo se añadirá una capa auxiliar en el procesamiento lógico para el análisis funcional. 

Aplicación de IA en AOI:

Como un proceso clave de control de calidad en la fabricación de PCB, el proceso AOI requiere una mayor participación manual en el proceso de confirmación en la máquina de mantenimiento. Los operadores deben clasificar los defectos falsos, los defectos de reparación y los defectos de chatarra, realizar las acciones de reparación o marcado correspondientes en la tabla y registrar el informe de calidad al mismo tiempo. En estos enlaces, la industria se preocupa por cómo mejorar la eficiencia de la producción, reducir los costos de producción (especialmente los costos de mano de obra) y reducir las anomalías de calidad causadas por factores humanos (limpiar flores en el proceso de manipulación, mal juicio y omisión en el proceso de confirmación, etc.).

Como se mencionó anteriormente, la aplicación de la tecnología Al es resolver problemas prácticos de una manera simple y práctica. A diferencia de hoy’ s iluminación inteligente, la iluminación tradicional puede encender / apagar la luz simplemente presionando el interruptor. La iluminación inteligente necesita sacar el teléfono móvil para encender la aplicación, encender la luz y ajustar el brillo del color, o a través del control de voz, pero el proceso se vuelve más engorroso. En el proceso de integrar la tecnología al en la detección de AOI, es necesario evitar el comportamiento de Al por Al, pero formar un conjunto de esquemas valiosos. La discusión se divide en tres partes: carga y descarga, detección de AOI y confirmación de CVR.

Carga y descarga:

La carga y descarga incluye la carga y descarga de AOL y la máquina de mantenimiento. Cada vez más fabricantes han implementado esquemas de automatización como cinta transportadora y manipulador para mejorar la eficiencia y reducir el costo de mano de obra. El carrito AGV también se considera para la transmisión de materiales entre el escáner AOI y la máquina de mantenimiento. Si se utilizan robots inteligentes para la carga y descarga, es necesario evaluar el costo y la eficiencia de los robots inteligentes.

Detección de AOI:

Incluye principalmente la operación del equipo AOI y la operación lógica. El sistema de aplicación AOI ha simplificado varias operaciones (recuperación del número de artículo, alineación, corrección óptica y ajuste de aplicación), y básicamente realizó una operación clave. Algunos fabricantes utilizan el método de escaneo de código QR para recuperar el número de artículo que se va a escanear para asegurarse de ser rápido y preciso. Por lo tanto, de acuerdo con la situación actual, el proceso de operación de AOL no necesita ser optimizado por la tecnología Al por el momento. Si el sistema visual o el sistema de reconocimiento de voz se ven obligados a operar el sistema AOI, todo el proceso se hará más complejo. Después de años de iteración y optimización, AOL’ La lógica de detección se ha evaluado de acuerdo con el proceso de formación del aprendizaje profundo, y se ha convertido en el modelo óptimo de detección. En cuanto a la eficiencia de la operación lógica, como al, AOL’ El algoritmo visual también utiliza muchas operaciones de multiplicación y convolución de matrices, porque la GPU puede manejar eficientemente operaciones de multiplicación y convolución de matrices. Se puede predecir que la GPU se usará para secar AOI cada vez más para mejorar la eficiencia de la operación lógica. El tratamiento AOI posterior es el eslabón clave de la aplicación de tecnología Al, es decir, la confirmación de la estación de mantenimiento seco de la aplicación de tecnología Al, para reducir la inversión en equipos y el costo de mano de obra.

Confirmación CVR:

Este proceso es la parte más preocupada, principalmente incluyendo el filtrado de puntos falsos y la clasificación de puntos verdaderos. Si se puede reducir la tasa de puntos falsos, la manipulación de la tabla, la inversión en equipos de mantenimiento y el costo de mano de obra de mantenimiento se reducirán en consecuencia. El punto falso aquí no se refiere al punto falso lógico (el defecto reportado sin ninguna anomalía), sino al defecto que no quiere ser reportado, como polvo, materia extraña sin cohesión y oxidación. Según las estadísticas, “ puntos falsos” representan menos del 30% y hasta el 80% de los defectos totales (esta proporción variará mucho según los diferentes fabricantes; equipos de fabricación, control de procesos, entorno de producción y otros factores). Véase la Figura 6 para el diagrama de falsos puntos común.

Desventajas de levantar cuerpos extraños:

Como se discutió en las dificultades visuales anteriores, es imposible determinar el material y la altura del cuerpo extraño, especialmente la combinación entre el cuerpo extraño y la superficie de la placa (si el cuerpo extraño tiene viscosidad) o si hay defectos cubiertos bajo el cuerpo extraño, y también es imposible distinguir con precisión puntos de oxidación, embotelladas o agujeros de alfil en la superficie de cobre solo a través del cambio de gris del mapa gris 2D (incluso el mapa de canal RGB de la imagen en color). Por lo tanto, en la producción real, cuando los operadores de la estación de mantenimiento encuentren tales defectos, utilizarán herramientas auxiliares (aire comprimido, rodillo de polvo pegajoso, borrador o borrador de fibra, etc.) para limpiar y confirmar el tipo de defecto. Si desea agregar al sistema de visión en este enlace para reducir tales puntos falsos, debe considerar cómo superar la interferencia de varios tipos de objetos extraños, la oxidación, las diferencias de patrón de grabado, etc., lo que requiere que el sistema use muestras 3D como objeto de procesamiento, al igual que el análisis de excepción de PCB necesita SEM o rodaja. Considerando que la proporción de tales defectos es tan alta como el 3% ~ 10% (fluctuado de acuerdo con la gestión libre de polvo del taller AOL, el ciclo de mantenimiento de cada cilindro de medicina líquida de la línea de grabado, el ciclo de limpieza de la película de diafragma, el tratamiento del borde de la placa después del corte, etc.), si Al se aplica simplemente sobre la base del equipo existente, el resultado debe ser que, aunque la tecnología al reduce el costo de mano de obra, pero al mismo tiempo, afectará seriamente la calidad de producción.

Perspectiva de IA para el verdadero procesamiento de defectos:

Entonces, ¿cuáles son las perspectivas de Al para el verdadero tratamiento de defectos? Cuando los operadores de CVR confirman que los defectos son verdaderos defectos, generalmente dividen los verdaderos defectos en reparación y desmantelamiento, y estos defectos se pueden procesar en línea o fuera de línea. El procesamiento en línea se refiere a la reparación en línea de defectos de reparación durante el proceso de confirmación, y la información de desmantelamiento de defectos desmantelados se marca en la tabla. El procesamiento fuera de línea se refiere solo a marcar defectos o introducir códigos de defectos durante la confirmación, y luego transmitirlos a otro personal o equipo para reparación o desmantelamiento. El autor cree que si el Al se aplica al filtrado de defectos falsos o a la clasificación de defectos verdaderos depende de la tasa de puntos falsos, la distribución de defectos y la estructura de la placa de PCB de la fábrica de PCB, y es necesario formular las reglas de aplicación correspondientes de inteligencia artificial (como especificar la entrada para los coches sin conductor), o proporcionar al Al un sistema de percepción más fuerte para garantizar que el Al pueda percibir claramente la forma de defectos. Es optimista promover la construcción de nuevas infraestructuras primero: importar el sistema de big data. Las imágenes de defectos requeridas se pueden recoger a través del sistema CDB y VVS de CIMS. La clasificación de defectos en VVS (sistema de confirmación virtual) no solo puede reducir en gran medida la inversión en equipos de CVR, sino también etiquetar las imágenes de defectos para prepararse para la introducción de la tecnología Al. Después de agregar el sistema VVS y la tecnología Al al sistema de base de datos CDB, CVR solo necesita hacer frente a las deficiencias que no pueden juzgarse por imágenes. Después de suficiente aprendizaje e iteración del modelo (especialmente la actualización continua de nuevos materiales y nuevos procesos), todo el reconocimiento de inteligencia artificial puede realizarse básicamente.

Conclusión:

Aunque la tecnología al se ha utilizado ampliamente en el procesamiento de imágenes AOI, todavía hay escenarios de aplicación enormes y espacio en el enlace de mantenimiento. Especialmente hoy, con la rápida iteración de un algoritmo, el futuro sistema de mantenimiento será un sistema de mantenimiento inteligente que integra varios algoritmos. Por supuesto, estos algoritmos pueden ser algoritmos de regresión y clasificación simples, así como aprendizaje de refuerzo complejo y aprendizaje estructurado. La inteligencia artificial fuerte y la inteligencia artificial débil son cuestiones filosóficas controvertidas hoy en día.