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:

The basic concept of Al artificial intelligence is briefly introduced, and the computer vision algorithms commonly used in Al are mentioned. These vision algorithms are also widely used in AOI.AOI automatic optical detection evolved from manual visual inspection. Its working principle is as follows: firstly, the required image feature information is "learned" on the standard CAM data through the visual algorithm, and then the feature is extracted on the scanned image of each PCB by using the model learned on the training set, and the obtained feature image is compared with the standard data,Report the problem points to be detected according to the given rules (detection criteria).Since AOL is a typical application of computer vision, it has the same difficulties as computer vision.

Dificultades visuales en AOI:

Information loss in imaging process: when people try to understand an image, previous experience and knowledge will be used for current observation. The process of understanding an image is usually completed unconsciously.Computer vision needs to involve the results and methods of mathematics, pattern recognition, artificial intelligence, psychophysiology, computer science, electronics and other disciplines.Therefore, for dry AOI, a lot of information is lost when the PCB field of dry 3D is projected into 2D space, especially the depth information, such as illumination, material properties, orientation and distance, are reflected as the only measured value - gray value.The projection of the same 2D plane may be generated by an infinite number of possible 3D scene projections. Therefore, the inverse process from 2D to 3D is an ill conditioned process, or ill posed problem. The observation data are not enough to constrain the solution of the problem. Therefore, it is necessary to use a priori knowledge or introduce appropriate constraints.For example, in AOI detection, it is often encountered that there is an open circuit on the scanned image (2D image), but it may actually be a real open circuit, or oxidation points, residual glue and dust on the line (3D scene)

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.).

As mentioned earlier, the application of Al technology is to solve practical problems in a simple and practical way. Unlike today's intelligent lighting, traditional lighting can turn on / off the light by simply pressing the switch. Intelligent lighting needs to take out the mobile phone to turn on the app, turn on the light and adjust the color brightness, or through voice control, but the process becomes more cumbersome.In the process of integrating al technology into AOI detection, it is necessary to avoid the behavior of Al for Al, but to form a set of valuable schemes.The discussion is divided into three parts: loading and unloading, AOI detection and CVR confirmation.

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:

It mainly includes AOI equipment operation and logic operation. The AOI application system has simplified various operations (item number retrieval, alignment, optical correction and application setting), and basically realized one key operation.Some manufacturers use the method of scanning QR code to retrieve the item number to be scanned to ensure fast and accurate.Therefore, according to the current situation, the operation process of AOL does not need to be optimized by Al technology for the time being.If the visual system or speech recognition system is forced to operate the AOI system, the whole process will become more complex.After years of iteration and optimization, AOL's detection logic has been evaluated according to the training process of deep learning, and has become the optimal detection model.As for the efficiency of logical operation, like al, AOL's visual algorithm also uses a lot of matrix multiplication and convolution operations, because GPU can efficiently handle matrix multiplication and convolution operations. It can be predicted that GPU will be used to dry AOI more and more to improve the efficiency of logical operation.The subsequent AOI treatment is the key link of Al technology application, that is, the confirmation of Al technology application dry maintenance station, so as to reduce equipment investment and labor cost.

Confirmación CVR:

This process is the most concerned part, mainly including false point filtering and true point classification.If the false point rate can be reduced, the board handling, maintenance equipment investment and maintenance labor cost will be reduced accordingly. The false point here does not refer to the logical false point (the defect reported without any abnormality), but the defect that does not want to be reported, such as dust, cohesionless foreign matter and oxidation.According to statistics, such "false points" account for less than 30% and up to 80% of the total defects (this proportion will vary greatly according to different manufacturers' manufacturing equipment, process control, production environment and other factors).See Figure 6 for the common false dot diagram.

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.