Новости

Сценарии применения Al:

Система искусственного интеллекта состоит в основном из трех частей: ① ввод информации. Изучение динамического физического мира с помощью различных датчиков, чтобы получить большое количество данных; ② Обработка решений. Применить большое количество полученных данных к модели, полученной машинным обучением, для рассуждения, прогнозирования или принятия решений; ③ Выполнить выход. Выполнять соответствующие действия в соответствии с результатами рассуждения или предсказания. Короче говоря, это создание модели прогнозирования для большого количества входных данных с помощью алгоритмов машинного обучения, таких как регрессия и интеграция, и применение установленной модели к фактическому набору данных для получения результатов прогнозирования. Аль широко используется в финансах, медицинском лечении, образовании, общественной безопасности, транспорте, связи, сельском хозяйстве, метеорологии, услугной промышленности и других областях.

Автоматическая оптическая проверка AOI:

Основная концепция искусственного интеллекта коротко представлена, и упоминаются алгоритмы компьютерного зрения, обычно используемые в AI. Эти алгоритмы зрения также широко используются в AOI. Автоматическое оптическое обнаружение AOI развилось из ручного визуального осмотра. Его принцип работы следующий: во-первых, необходимая информация об особенностях изображения “ Учились” на стандартных данных CAM через визуальный алгоритм, а затем функция извлекается на сканированном изображении каждой PCB с помощью модели, изученной на учебном наборе, и полученное изображение функции сравнивается со стандартными данными, сообщайте о проблемных точках, которые должны быть обнаружены в соответствии с данными правилами (критерии обнаружения). Поскольку AOL является типичным приложением компьютерного зрения, он имеет те же трудности, что и компьютерное зрение.

Сложности зрения при AOI:

Потеря информации в процессе изображения: когда люди пытаются понять изображение, предыдущий опыт и знания будут использоваться для текущего наблюдения. Процесс понимания изображения обычно завершается бессознательно. Компьютерное зрение должно включать результаты и методы математики, распознавания образцов, искусственного интеллекта, психофизиологии, информатики, электроники и других дисциплин. Поэтому для сухого AOI много информации теряется, когда поле PCB сухого 3D проецируется в 2D пространство, особенно информация о глубине, такая как освещение, свойства материала, ориентация и расстояние, отражаются в качестве единственного измеренного значения – Серое значение. Проекция одной и той же 2D плоскости может быть генерирована бесконечным количеством возможных 3D-проекций сцены. Поэтому обратный процесс от 2D к 3D является плохо обусловленным процессом или плохо созданной проблемой. Данных наблюдений недостаточно, чтобы ограничить решение проблемы. Поэтому необходимо использовать априорные знания или ввести соответствующие ограничения. Например, при обнаружении AOI часто встречается открытая схема на сканированном изображении (2D изображение), но на самом деле это может быть реальная открытая схема или точки окисления, остаточный клей и пыль на линии (3D сцена)

Окклюзия изображения: в компьютерном зрении окклюзия изображения обычно относится к окклюзии света, физической окклюзии, самоокклюзии или смешанной окклюзии. Потому что окклюзия изображения не только теряет часть целевой информации, но и вводит дополнительные помехи. Экранирование в AOI означает, что реальный дефект покрыт иностранными вопросами (см. рисунок 5). Это короткое замыкание покрыто вязкими иностранными веществами. Немного меди на дне можно увидеть после очистки инструментами, но внешние вещества не могут быть полностью удалены. Его нужно стереть волокном. Поэтому AOI не может судить о том, существуют ли истинные дефекты под чужими телами через серые изменения.

Локальное окно и глобальный вид: обычно операцией анализа алгоритма анализа изображения является специальный блок хранения (пиксель на изображении) и его прилегающие блоки в памяти. Когда изображение может быть получено только из локального вида или только из некоторых локальных отверстий, обычно очень трудно интерпретировать изображение. Ao сканирует указанную ширину в соответствии с различными разрешениями и разделяет ее на блоки изображений указанного размера для обработки. Поэтому алгоритмом обнаружения AOL также является локальный анализ и обработка. Анализ сети PCB не будет добавлен, как E-тест. Только вспомогательный слой будет добавлен в логическую обработку для функционального анализа. 

Применение ИИ в AOI:

Как ключевой процесс контроля качества в производстве ПХД, процесс AOI требует большего ручного участия в процессе подтверждения на технико-техническом обслуживании машины. Операторы должны классифицировать ложные дефекты, дефекты ремонта и дефекты лома, выполнять соответствующие ремонтные или маркировочные действия на доске и одновременно записывать отчет о качестве. В этих связях отрасль обеспокоена тем, как повысить эффективность производства, снизить производственные затраты (особенно затраты на труд) и уменьшить аномалии качества, вызванные человеческими факторами (стерение цветов в процессе обработки, неправильное суждение и упущение в процессе подтверждения и т. д.).

Как уже упоминалось ранее, применение технологии Al заключается в решении практических проблем простым и практическим способом. В отличие от сегодняшнего’ с интеллектуальное освещение, традиционное освещение может включить / выключить свет, просто нажимая выключатель. Интеллектуальное освещение должно извлечь мобильный телефон, чтобы включить приложение, включить свет и регулировать яркость цвета, или через голосовое управление, но процесс становится более обременительным. В процессе интеграции технологии Al в обнаружение AOI необходимо избегать поведения Al для Al, но сформировать набор ценных схем. Обсуждение разделено на три части: погрузка и разгрузка, обнаружение AOI и подтверждение CVR.

Загрузка и разгрузка:

Загрузка и разгрузка включает в себя загрузку и разгрузку AOL и технико-технического обслуживания машины. Все больше и больше производителей внедряют схемы автоматизации, такие как конвейер и манипулятор, чтобы повысить эффективность и снизить затраты на рабочую силу. Возка AGV также рассматривается для передачи материала между сканером AOI и технико-техническим обслуживанием машины. Если для погрузки и разгрузки используются интеллектуальные роботы, необходимо оценить стоимость и эффективность интеллектуальных роботов.

Обнаружение AOI:

В основном он включает в себя работу оборудования AOI и логическую работу. Система приложения AOI упростила различные операции (поиск номера элемента, выравнивание, оптическая коррекция и настройка приложения) и в основном осуществила одну ключевую операцию. Некоторые производители используют метод сканирования QR-кода для получения номера предмета, который должен быть сканирован, чтобы обеспечить быстрость и точность. Поэтому, в соответствии с нынешней ситуацией, процесс работы AOL в настоящее время не нуждается в оптимизации технологией Al. Если визуальная система или система распознавания речи вынуждена работать с системой AOI, весь процесс станет более сложным. После многих лет итерации и оптимизации, AOL’ Логика обнаружения была оценена в соответствии с процессом обучения глубокого обучения и стала оптимальной моделью обнаружения. Что касается эффективности логической операции, как al, AOL’ Визуальный алгоритм также использует много операций по умножению и свирению матриц, потому что GPU может эффективно обрабатывать операции по умножению и свирению матриц. Можно предсказать, что GPU будет использоваться для сушения AOI все больше и больше для повышения эффективности логической операции. Последующая обработка AOI является ключевым звеном применения технологии Al, то есть подтверждение сухой станции обслуживания применения технологии Al, чтобы уменьшить инвестиции в оборудование и затраты на рабочую силу.

Подтверждение CVR:

Этот процесс является наиболее обеспокоенной частью, в основном включающей фильтрацию ложных точек и классификацию истинных точек. Если ставка ложных баллов может быть уменьшена, обработка доски, инвестиции в техническое обслуживание оборудования и стоимость рабочей силы по обслуживанию будут соответственно уменьшены. Ложная точка здесь не относится к логической ложной точке (дефект, о котором сообщается без каких-либо аномалий), а дефект, о котором не хочется сообщать, например, пыль, бессоединяемое чужое вещество и окисление. Согласно статистике, такой “ ложные точки” на долю менее 30% и до 80% от общего количества дефектов (эта доля будет сильно варьироваться в зависимости от различных производителей; производственное оборудование, управление процессом, производственная среда и другие факторы). См. рисунок 6 для общей диаграммы ложных точек.

Недостатки подъема иностранных тел:

Как обсуждалось в предыдущих визуальных трудностях, невозможно определить материал и высоту инородного тела, особенно сочетание между инородным телом и поверхностью пластины (имеет ли инородное тело вязкость) или есть ли дефекты, покрытые под инородным телом, а также невозможно точно различить точки окисления, медные поверхностные выломы или шпилоны только через серое изменение 2D серой карты (даже карта канала RGB цветного изображения). Поэтому в реальном производстве, когда операторы станции обслуживания сталкиваются с такими дефектами, они будут использовать вспомогательные инструменты (сжатый воздух, липкий пылевой ролик, стирку или волокнную стирку и т.д.) для очистки и подтверждения типа дефекта. Если вы хотите добавить систему зрения в этой ссылке, чтобы уменьшить такие ложные точки, вы должны рассмотреть, как преодолеть вмешательство различных типов чужих объектов, окисление, различия в узорах гравирования и так далее, что требует, чтобы система использовала 3D-образцы в качестве объекта обработки, так же, как анализ исключений PCB нуждается в SEM или разрезе. Учитывая, что доля таких дефектов составляет 3% ~ 10% (колеблется в соответствии с беспыловым управлением мастерской AOL, циклом обслуживания каждого цилиндра жидкого лекарства травления, циклом очистки диафрагмной пленки, обработкой края пластины после резки и т. д.), если Al просто применяется на основе существующего оборудования, результатом должно быть то, что, хотя технология Al снижает затраты на рабочую силу, но в то же время она серьезно повлияет на качество производства.

Перспектива ИИ для истинной обработки дефектов:

Итак, каковы перспективы Аль для истинного лечения дефектов? Когда операторы CVR подтверждают, что дефекты являются истинными дефектами, они обычно разделяют истинные дефекты на ремонт и демонтаж, и эти дефекты могут быть обработаны онлайн или офлайн. Онлайновая обработка относится к онлайновому ремонту ремонтных дефектов во время процесса подтверждения, а информация о сломах сломажных дефектов отмечается на доске. Оффлайн-обработка относится только к маркировке дефектов или введению кодов дефектов во время подтверждения, а затем их передаче другому персоналу или оборудованию для ремонта или слома. Автор считает, что применяется ли Al к фильтрации ложных дефектов или классификации истинных дефектов, зависит от частоты ложных точек, распределения дефектов и структуры платы PCB-фабрики PCB, и необходимо сформулировать соответствующие правила применения искусственного интеллекта (например, указание подъездной дороги для беспилотных автомобилей) или предоставить Al более сильную систему восприятия, чтобы обеспечить, чтобы Al мог четко воспринимать форму дефектов. Оптимистично способствовать строительству новой инфраструктуры в первую очередь: импортировать систему больших данных. Необходимые изображения дефектов могут быть собраны через систему CDB и VVS CIMS. Классификация дефектов на VVS (виртуальной системе подтверждения) может не только значительно уменьшить инвестиции в оборудование CVR, но и маркировать изображения дефектов для подготовки к внедрению технологии Al. После добавления системы VVS и технологии Al в систему базы данных CDB CVR нужно только справиться с недостатками, которые нельзя судить по фотографиям. После достаточного обучения и итерации модели (особенно непрерывного обновления новых материалов и новых процессов) все распознавание искусственного интеллекта может быть в основном реализовано.

Вывод:

Хотя технология Al широко используется в обработке изображений AOI, все еще есть огромные сценарии применения и пространство в связи с обслуживанием. Особенно сегодня, с быстрой итерацией алгоритма, будущая система обслуживания будет интеллектуальной системой обслуживания, интегрирующей различные алгоритмы. Конечно, эти алгоритмы могут быть простыми алгоритмами регрессии и классификации, а также сложным усилением обучения и структурированным обучением. Сильный искусственный интеллект и слабый искусственный интеллект являются спорными философскими вопросами сегодня.