Novas

Scenários de aplicação de Al:

O sistema de inteligência artificial é composto principalmente por três partes: ① informação. Sentir o mundo físico dinâmico através de diversos dispositivos de sensoriação, para obter uma grande quantidade de dados; ② Processo de decisões. Aplicar uma grande quantidade de dados obtidos ao modelo obtido pela aprendizagem máquina para razonamento, previsão ou tomada de decisão; ③ Executar a saída. Realizar ações correspondentes de acordo com os resultados do raciocínio ou predição. Em resumo, é estabelecer um modelo de previsão para um grande número de dados de entrada através de algoritmos de aprendizagem máquina como regressão e integração, e aplicar o modelo estabelecido ao conjunto de dados real para obter os resultados da previsão. Al tem sido amplamente utilizado em finanças, tratamento médico, educação, segurança pública, transporte, comunicação, agricultura, meteorologia, indústria de serviços e outros campos.

Inspecção óptica automática AOI:

O conceito básico de inteligência artificial Al é brevemente introduzido, e os algoritmos de visão computacional comumente usados em Al são mencionados. Esses algoritmos de visão também são amplamente usados em AOI. A detecção óptica automática AOI evoluiu a partir da inspecção visual manual. Seu princípio de trabalho é o seguinte: primeiro, a informação necessária sobre a característica da imagem é “ aprendido - nos dados CAM padrão através do algoritmo visual, e então a característica é extraída na imagem escaneada de cada PCB usando o modelo aprendido no conjunto de treinamento, e a imagem obtida é comparada com os dados padrão,Relate os pontos de problema a ser detectados de acordo com as regras dadas (critérios de detecção). Uma vez que AOL é uma aplicação típica da visão do computador, tem as mesmas dificuldades que a visão do computador.

Dificuldades visuais na AOI:

Perda de informação no processo de imagem: quando as pessoas tentarem entender uma imagem, experiência e conhecimento anteriores serão usados para a observação atual. O processo de entender uma imagem é geralmente completado inconscientemente. A visão computacional precisa envolver os resultados e métodos de matemática, reconhecimento de padrões, inteligência artificial, psicopfisiologia, ciência computacional, eletrônica e outras disciplinas. Portanto, para AOI seca, muita informação é perdida quando o campo PCB de 3D seca é projetado em espaço 2D, especialmente a informação de profundidade, como iluminação, propriedades materiais, orientação e distância, são refletidos como o único valor medido – - valor cinza. A projeção do mesmo plano 2D pode ser gerada por um número infinito de possíveis projeções de cena 3D. Portanto, o processo inverso de 2D para 3D é um processo mal condicionado, ou problema mal plantado. Os dados de observação não são suficientes para limitar a solução do problema. Portanto, é necessário usar conhecimento a priori ou introduzir restrições adequadas. Por exemplo, na detecção de AOI, muitas vezes se encontra que existe um circuito aberto na imagem escaneada (imagem 2D), mas pode ser realmente um circuito aberto, ou pontos de oxidação, cola residual e poeira na linha (cena 3D)

Oclusão da imagem: na visão do computador, oclusão da imagem geralmente se refere à oclusão da luz, oclusão física, auto-oclusão ou oclusão mistura. Porque a oclusão da imagem não só perde alguma informação alvo, mas também introduz interferência adicional. A proteção no AOI significa que o defeito real é coberto por questões estrangeiras (ver Figura 5). Este curto circuito é coberto por assuntos estrangeiros viscosos. Um pouco de cobre inferior pode ser visto após limpeza com ferramentas, mas as coisas estrangeiras não podem ser completamente removidas. Precisa ser limpado com limpeza de fibras. Portanto, AOI não pode julgar se existem verdadeiros defeitos sob corpos estrangeiros através de mudanças cinzas.

janela local e visão global: geralmente, a operação de análise do algoritmo de análise de imagem é a unidade de armazenamento especial (um píxel na imagem) e suas unidades adjacentes na memória. Quando a imagem só pode ser obtida da visão local ou apenas alguns buracos locais, normalmente é muito difícil interpretar uma imagem. Ao analisa a largura especificada de acordo com diferentes resoluções e divide-a em blocos de imagem do tamanho especificado para processamento. Portanto, o algoritmo de detecção do AOL também é análise e processamento local. A análise da rede PCB não será adicionada como teste E. Só uma camada auxiliar será adicionada no processamento lógico para análise funcional. 

Aplicação de AI em AI:

Como processo chave de controle de qualidade no fabrico de PCB, o processo AOI requer maior participação manual no processo de confirmação na máquina de manutenção. Os operadores precisam classificar defeitos falsos, defeitos de reparação e defeitos de resíduos, fazer ações de reparação ou marcação correspondentes no tabuleiro, e gravar o relatório de qualidade ao mesmo tempo. Nesses vínculos, a indústria está preocupada com como melhorar a eficiência da produção, reduzir os custos de produção (especialmente os custos de trabalho) e reduzir anomalias de qualidade causadas por fatores humanos (limpar flores no processo de manipulação, julgamento errado e omissão no processo de confirmação, etc.).

Como mencionado anteriormente, a aplicação da tecnologia Al é resolver problemas práticos de uma forma simples e prática. Contrariamente a hoje s iluminação inteligente, iluminação tradicional pode acender / apagar a luz simplesmente pressionando o interruptor. A iluminação inteligente precisa tirar o telefone móvel para ligar o aplicativo, ligar a luz e ajustar o brilho da cor, ou através do controle da voz, mas o processo torna-se mais difícil. No processo de integrar a tecnologia al na detecção de AI, é necessário evitar o comportamento de AI para AI, mas formar um conjunto de esquemas valiosos. A discussão é dividida em três partes: carga e descarga, detecção de AOI e confirmação de CVR.

Cargando e descargando:

Carga e descarga inclui carga e descarga de AOL e máquina de manutenção. Mais e mais fabricantes implementaram esquemas de automatização como cinto de transporte e manipulador para melhorar a eficiência e reduzir o custo de trabalho. O vagão AGV também é considerado para transmissão de material entre o escâner AOI e a máquina de manutenção. Se robôs inteligentes são usados para carregar e descarregar, o custo e eficiência dos robôs inteligentes precisam ser avaliados.

Detecção AOI:

Ela inclui principalmente a operação de equipamento AOI e a operação lógica. O sistema de aplicação AOI simplificou várias operações (recuperação de números de itens, alinhamento, correção óptica e configuração de aplicação), e basicamente realizou uma operação chave. Alguns fabricantes usam o método de escaneamento do código QR para obter o número de itens a ser escaneado para garantir rápido e preciso. Portanto, de acordo com a situação atual, o processo de operação do AOL não precisa ser otimizado pela tecnologia Al por enquanto. Se o sistema visual ou o sistema de reconhecimento da fala for forçado a operar o sistema AOI, todo o processo se tornará mais complexo. Após anos de iteração e otimização, AOL’ a lógica de detecção de s foi avaliada de acordo com o processo de treinamento de aprendizagem profunda, e se tornou o modelo de detecção óptima. Quanto à eficiência da operação lógica, como al, AOL’ s algoritmo visual também usa muitas operações de multiplicação de matriz e convolução, pois GPU pode lidar eficientemente com operações de multiplicação de matriz e convolução. Pode-se prever que o GPU será usado para secar AOI cada vez mais para melhorar a eficiência da operação lógica. O tratamento subsequente de AI é o link chave da aplicação da tecnologia AI, ou seja, a confirmação da aplicação da tecnologia AI estação de manutenção seca, de modo a reduzir investimento no equipamento e custo laboral.

Confirmação CVR:

Este processo é a parte mais preocupada, principalmente incluindo filtragem de falsos pontos e classificação de pontos verdadeiros. Se a taxa de ponto falso pode ser reduzida, o custo de manutenção, investimento em equipamentos de manutenção e manutenção de trabalho será reduzido em consequência. O falso ponto aqui não se refere ao falso ponto lógico (o defeito relatado sem nenhuma anomalia), mas ao defeito que não quer ser relatado, como pó, matéria estrangeira sem coesão e oxidação. De acordo com estatísticas, tais “ falsos pontos representam menos de 30% e até 80% dos defeitos totais (essa proporção variará muito de acordo com diferentes fabricantes’ equipamento de fabricação, controle de processos, ambiente de produção e outros fatores). Veja a Figura 6 para o diagrama comum de pontos falsos.

Desvantagens de levantar corpos estrangeiros:

Tal como discutido nas dificuldades visuais anteriores, é impossível determinar o material e a altura do corpo estrangeiro, especialmente a combinação entre o corpo estrangeiro e a superfície da placa (se o corpo estrangeiro tem viscosidade) ou se existem defeitos cobertos sob o corpo estrangeiro, e também é impossível distinguir com precisão os pontos de oxidação, dentes na superfície de cobre ou buracos apenas através da mudança cinzenta do mapa cinzento 2D (mesmo mapa de canais RGB de imagem de cores). Portanto, na produção real, quando os operadores da estação de manutenção encontrarem tais defeitos, eles usarão ferramentas auxiliares (ar comprimido, rolador de pó adesivo, borrador ou borrador de fibras, etc.) para limpar e confirmar o tipo de defeito. Se você quer adicionar um sistema de visão al neste link para reduzir esses pontos falsos, você deve considerar como superar a interferência de vários tipos de objetos estrangeiros, oxidação, diferenças de padrão de gravação e assim por diante, o que exige que o sistema utilize amostras 3D como objeto de processamento, assim como a análise de exceção do PCB precisa de SEM ou corte. Considerando que a proporção de tais defeitos é at é 3% ~ 10% (flutuada de acordo com a gestão sem poeira da oficina AOL, o ciclo de manutenção de cada cilindro de medicina líquida da linha de gravação, o ciclo de limpeza do filme diafragma, tratamento de bordo de placa após corte, etc.), se Al é simplesmente aplicado com base no equipamento existente, o resultado deve ser que embora a tecnologia reduza o custo de trabalho, mas ao mesmo tempo, afetará seriamente a qualidade de produção.

Prospecta de AI para um verdadeiro processamento de defeitos:

Então qual é a perspectiva de Al para um verdadeiro tratamento de defeitos? Quando os operadores de CVR confirmam que os defeitos são verdadeiros defeitos, eles geralmente dividem os verdadeiros defeitos em reparação e destruição, e esses defeitos podem ser processados online ou offline. O processamento em linha refere-se ao reparo em linha de defeitos de reparação durante o processo de confirmação, e a informação de arranque de defeitos destruídos está marcada no painel. O processamento offline refere-se apenas a marcação de defeitos ou a entrada em códigos de defeitos durante a confirmação, e depois a transmissão a outros pessoais ou equipamentos para reparação ou arranque. O autor acredita que se Al é aplicado a filtragem de defeitos falsos ou a verdadeira classificação de defeitos depende da taxa de pontos falsos, distribuição de defeitos e estrutura de painel PCB da Fabrica PCB, e é necessário formular regras de aplicação correspondentes de inteligência artificial (como especificar caminho de entrada para carros sem motorista), ou fornecer a Al um sistema de percepção mais forte para assegurar que Al pode perceber claramente a forma de defeitos,Se o sistema de iluminação é otimizado ou a imagem 3D é adotado, é difícil adicionar novos subsistemas de hardware. É otimista promover primeiro a construção de novas infraestruturas: importar o grande sistema de dados. As imagens de defeito requeridas podem ser coletadas através do sistema CDB e VVS do CIMS. A classificação de defeitos em VVS (sistema de confirmação virtual) não só pode reduzir muito o investimento do equipamento de CVR, mas também marcar as imagens de defeitos para se preparar para a introdução da tecnologia Al. Após adicionar o sistema VVS e a tecnologia Al ao sistema de base de dados CDB, o CVR só precisa lidar com as deficiências que não podem ser julgadas por fotos. Após aprendizagem suficiente e iteração de modelos (especialmente atualização contínua de novos materiais e novos processos), todo reconhecimento de inteligência artificial pode ser basicamente realizado.

Conclusão:

Embora a tecnologia al tenha sido amplamente utilizada no processamento de imagens AOI, ainda existem cenários de aplicação enormes e espaço na ligação de manutenção. Especialmente hoje, com a repetição rápida de um algoritmo, o futuro sistema de manutenção será um sistema de manutenção inteligente integrando vários algoritmos al. Claro, esses algoritmos al podem ser algoritmos simples de regressão e classificação, bem como aprendizagem de reforço complexo e aprendizagem estruturado. Inteligência artificial forte e inteligência artificial fraca são questões filosóficas controversas hoje.