Actualités

Scénarios d'application d'Al:

Le système d’intelligence artificielle se compose principalement de trois parties : ① entrée d'informations. Senser le monde physique dynamique à travers divers dispositifs de détection, afin d'obtenir une grande quantité de données; ② Traitement des décisions. Appliquer une grande quantité de données obtenues au modèle obtenu par apprentissage automatique pour le raisonnement, la prédiction ou la prise de décision; ③ Exécuter la sortie. Effectuer des actions correspondantes en fonction des résultats du raisonnement ou de la prédiction. En bref, il s'agit d'établir un modèle de prédiction pour un grand nombre de données d'entrée par le biais d'algorithmes d'apprentissage automatique tels que la régression et l'intégration, et d'appliquer le modèle établi à l'ensemble de données réel pour obtenir les résultats de prédiction. Al a été largement utilisé dans la finance, le traitement médical, l'éducation, la sécurité publique, les transports, la communication, l'agriculture, la météorologie, l'industrie des services et d'autres domaines.

Inspection optique automatique AOI:

Le concept de base de l'intelligence artificielle Al est brièvement introduit, et les algorithmes de vision par ordinateur couramment utilisés dans l'AI sont mentionnés. Ces algorithmes de vision sont également largement utilisés dans l'AOI. La détection optique automatique AOI a évolué à partir de l'inspection visuelle manuelle. Son principe de fonctionnement est le suivant: tout d'abord, l'information de fonctionnalité d'image requise est “ Apprendre” sur les données CAM standard à travers l'algorithme visuel, puis la caractéristique est extraite sur l'image balayée de chaque PCB en utilisant le modèle appris sur l'ensemble de formation, et l'image de caractéristique obtenue est comparée aux données standard, Rapporter les points de problème à détecter selon les règles données (critères de détection). Comme AOL est une application typique de la vision par ordinateur, il a les mêmes difficultés que la vision par ordinateur.

Difficultés visuelles en AOI:

Perte d'information dans le processus d'imagerie: lorsque les gens essaient de comprendre une image, l'expérience et les connaissances antérieures seront utilisées pour l'observation actuelle. Le processus de compréhension d'une image est généralement complété inconscientement. La vision par ordinateur doit inclure les résultats et les méthodes des mathématiques, de la reconnaissance des motifs, de l'intelligence artificielle, de la psychophysiologie, de l'informatique, de l'électronique et d'autres disciplines. Par conséquent, pour l'AOI sec, beaucoup d'informations sont perdues lorsque le champ PCB de 3D sec est projeté dans l'espace 2D, en particulier les informations de profondeur, telles que l'éclairage, les propriétés du matériau, l'orientation et la distance, sont reflétées comme la seule valeur mesurée – Valeur grise. La projection du même plan 2D peut être générée par un nombre infini de projections de scènes 3D possibles. Par conséquent, le processus inverse de 2D à 3D est un processus mal conditionné, ou mal posé problème. Les données d'observation ne sont pas suffisantes pour limiter la solution du problème. Il est donc nécessaire d'utiliser des connaissances a priori ou d'introduire des contraintes appropriées. Par exemple, dans la détection d'AOI, il est souvent rencontré qu'il y a un circuit ouvert sur l'image balayée (image 2D), mais il peut en fait s'agir d'un véritable circuit ouvert, ou de points d'oxydation, de colle résiduelle et de poussière sur la ligne (scène 3D).

En vision par ordinateur, l'occlusion d'image se réfère généralement à l'occlusion légère, l'occlusion physique, l'auto-occlusion ou l'occlusion mixte. Parce que l'occlusion d'image ne perd pas seulement certaines informations cibles, mais introduit également des interférences supplémentaires. Le blindage dans l'AOI signifie que le défaut réel est couvert par des matières étrangères (voir figure 5). Ce court-circuit est recouvert de matières étrangères visqueuses. Un peu de cuivre du fond peut être vu après nettoyage avec des outils, mais les matières étrangères ne peuvent pas être complètement enlevées. Il doit être essuyé avec un essuyeur de fibre. Par conséquent, AOI ne peut pas juger s'il y a de vrais défauts sous les corps étrangers par des changements de gris.

Fenêtre locale et vue globale: généralement, l'opération d'analyse de l'algorithme d'analyse d'image est l'unité de stockage spéciale (un pixel dans l'image) et ses unités adjacentes dans la mémoire. Lorsque l'image ne peut être obtenue qu'à partir de la vue locale ou seulement de certains trous locaux, il est généralement très difficile d'interpréter une image. Ao balaie la largeur spécifiée selon différentes résolutions et la divise en blocs d'image de la taille spécifiée pour le traitement. Par conséquent, l'algorithme de détection d'AOL est également l'analyse et le traitement locaux. L'analyse du réseau de PCB ne sera pas ajoutée comme le test électronique. Seule la couche auxiliaire sera ajoutée dans le traitement logique pour l'analyse fonctionnelle. 

Application de l'IA dans l'AOI:

En tant que processus clé de contrôle de qualité dans la fabrication de PCB, le processus AOI nécessite une plus grande participation manuelle au processus de confirmation sur la machine d'entretien. Les opérateurs doivent classer les faux défauts, les défauts de réparation et les défauts de débris, effectuer les actions de réparation ou de marquage correspondantes sur la planche et enregistrer le rapport de qualité en même temps. Dans ces liens, l'industrie s'intéresse à la façon d'améliorer l'efficacité de la production, de réduire les coûts de production (en particulier les coûts de main-d'œuvre) et de réduire les anomalies de qualité causées par des facteurs humains (essuyer les fleurs dans le processus de manutention, faux jugement et omission dans le processus de confirmation, etc.).

Comme mentionné plus tôt, l'application de la technologie Al est de résoudre des problèmes pratiques de manière simple et pratique. Contrairement à aujourd'hui’ s éclairage intelligent, l'éclairage traditionnel peut allumer / éteindre la lumière en appuyant simplement sur l'interrupteur. L'éclairage intelligent doit retirer le téléphone mobile pour allumer l'application, allumer la lumière et ajuster la luminosité des couleurs, ou par le contrôle vocal, mais le processus devient plus encombrant. Dans le processus d'intégration de la technologie Al dans la détection AOI, il est nécessaire d'éviter le comportement de Al pour Al, mais de former un ensemble de schémas précieux. La discussion est divisée en trois parties : chargement et déchargement, détection d’AOI et confirmation de CVR.

Chargement et déchargement :

Le chargement et le déchargement incluent le chargement et le déchargement d'AOL et de la machine d'entretien. De plus en plus de fabricants ont mis en œuvre des systèmes d'automatisation tels que les bandes convoyeuses et les manipulateurs pour améliorer l'efficacité et réduire le coût de la main-d'œuvre. Le chariot AGV est également considéré pour la transmission de matériaux entre le scanner AOI et la machine de maintenance. Si des robots intelligents sont utilisés pour charger et décharger, le coût et l'efficacité des robots intelligents doivent être évalués.

Détection AOI:

Il comprend principalement le fonctionnement de l'équipement AOI et le fonctionnement logique. Le système d'application AOI a simplifié diverses opérations (récupération du numéro d'article, alignement, correction optique et réglage de l'application), et a essentiellement réalisé une opération clé. Certains fabricants utilisent la méthode de numérisation du code QR pour récupérer le numéro d'article à numériser afin d'assurer une rapidité et une précision. Par conséquent, selon la situation actuelle, le processus d'exploitation d'AOL n'a pas besoin d'être optimisé par la technologie Al pour le moment. Si le système visuel ou le système de reconnaissance vocale est forcé de faire fonctionner le système AOI, l'ensemble du processus deviendra plus complexe. Après des années d'itération et d'optimisation, AOL’ sa logique de détection a été évaluée en fonction du processus de formation de l'apprentissage profond et est devenue le modèle de détection optimal. Quant à l'efficacité de l'opération logique, comme al, AOL’ L'algorithme visuel s utilise également beaucoup d'opérations de multiplication et de convolution de matrices, car le GPU peut gérer efficacement les opérations de multiplication et de convolution de matrices. On peut prédire que le GPU sera utilisé pour sécher l'AOI de plus en plus pour améliorer l'efficacité de l'opération logique. Le traitement AOI subséquent est le lien clé de l'application de la technologie Al, c'est-à-dire la confirmation de la station de maintenance à sec d'application de la technologie Al, afin de réduire l'investissement en équipement et le coût de la main-d'œuvre.

Confirmation CVR :

Ce processus est la partie la plus concernée, notamment le filtrage des faux points et la classification des points vrais. Si le taux de faux points peut être réduit, la manipulation de la planche, l'investissement en équipement d'entretien et le coût de main-d'œuvre d'entretien seront réduits en conséquence. Le faux point ici ne se réfère pas au faux point logique (le défaut signalé sans anomalie), mais au défaut qui ne veut pas être signalé, comme la poussière, la matière étrangère sans cohésion et l'oxydation. Selon les statistiques, “ faux points” représentent moins de 30% et jusqu'à 80% des défauts totaux (cette proportion variera considérablement selon les différents fabricants, l'équipement de fabrication, le contrôle du processus, l'environnement de production et d'autres facteurs). Voir la figure 6 pour le diagramme de faux points commun.

Inconvénients du soulèvement de corps étrangers:

Comme discuté dans les difficultés visuelles précédentes, il est impossible de déterminer le matériau et la hauteur du corps étranger, en particulier la combinaison entre le corps étranger et la surface de la plaque (si le corps étranger a une viscosité) ou s'il y a des défauts couverts sous le corps étranger, et il est également impossible de distinguer avec précision les points d'oxydation, les bosses de surface en cuivre ou les pinholes uniquement par le changement de gris de la carte grise 2D (même la carte de canal RVB de l'image couleur). Par conséquent, dans la production réelle, lorsque les opérateurs de la station d'entretien rencontrent de tels défauts, ils utiliseront des outils auxiliaires (air comprimé, rouleau de poussière collant, gomme ou gomme de fibre, etc.) pour nettoyer et confirmer le type de défaut. Si vous voulez ajouter un système de vision dans ce lien pour réduire de tels faux points, vous devez considérer comment surmonter l'interférence de divers types d'objets étrangers, l'oxydation, les différences de motifs de gravure, etc., ce qui nécessite que le système utilise des échantillons 3D comme objet de traitement, tout comme l'analyse d'exception de PCB nécessite SEM ou tranche. Considérant que la proportion de tels défauts est aussi élevée que 3% ~ 10% (fluctuée selon la gestion sans poussière de l'atelier AOL, le cycle de maintenance de chaque cylindre de médecine liquide de la ligne de gravure, le cycle de nettoyage du film de diaphragme, le traitement du bord de la plaque après la coupe, etc.), si Al est simplement appliqué sur la base de l'équipement existant, le résultat doit être que bien que la technologie al réduise le coût de la main-d'œuvre, mais en même temps, elle affectera sérieusement la qualité de production.

Perspective de l'IA pour le traitement des défauts réels:

Alors quelles sont les perspectives d'Al pour le traitement des défauts réels? Lorsque les opérateurs de CVR confirment que les défauts sont réels, ils divisent généralement les défauts réels en réparation et décotage, et ces défauts peuvent être traités en ligne ou hors ligne. Le traitement en ligne se réfère à la réparation en ligne des défauts de réparation pendant le processus de confirmation, et les informations de déchetsage des défauts déchets sont marquées sur la carte. Le traitement hors ligne se réfère uniquement au marquage des défauts ou à l'entrée de codes de défauts lors de la confirmation, puis à leur transmission à d'autres personnels ou équipements pour réparation ou démontage. L'auteur estime que si l'Al est appliqué au filtrage des faux défauts ou à la classification des faux vrais dépend du taux de faux points, de la distribution des défauts et de la structure de la carte PCB de l'usine de PCB, et il est nécessaire de formuler des règles d'application correspondantes de l'intelligence artificielle (comme la spécification de l'allée pour les voitures sans conducteur), ou de fournir à l'Al un système de perception plus fort pour s'assurer que l'Al peut clairement percevoir la forme des défauts. Il est optimiste de promouvoir d’abord la construction de nouvelles infrastructures : importer le système Big Data. Les images de défaut requises peuvent être collectées par le biais du système CDB et VVS du CIMS. La classification des défauts sur VVS (système de confirmation virtuel) peut non seulement réduire considérablement l'investissement en équipement de CVR, mais également étiqueter les images de défauts pour préparer l'introduction de la technologie Al. Après avoir ajouté le système VVS et la technologie Al au système de base de données CDB, CVR ne doit faire face qu'aux lacunes qui ne peuvent pas être jugées par des images. Après un apprentissage suffisant et une itération du modèle (en particulier la mise à jour continue de nouveaux matériaux et de nouveaux processus), toute la reconnaissance de l'intelligence artificielle peut être fondamentalement réalisée.

Conclusion :

Bien que la technologie al ait été largement utilisée dans le traitement d'images AOI, il existe toujours d'énormes scénarios d'application et d'espace dans le lien de maintenance. Surtout aujourd'hui, avec l'itération rapide d'un algorithme, le futur système de maintenance sera un système de maintenance intelligent intégrant divers algorithmes. Bien sûr, ces algorithmes peuvent être des algorithmes de régression et de classification simples, ainsi que l'apprentissage de renforcement complexe et l'apprentissage structuré. L’intelligence artificielle forte et l’intelligence artificielle faible sont des questions philosophiques controversées aujourd’hui.