新闻

铝的应用场景：

人工智能系统主要由三部分组成：① 信息输入。通过各种传感设备感知动态的物理世界，从而获得大量数据；② 决策处理。将获得的大量数据应用于机器学习获得的模型进行推理、预测或决策；③ 执行输出。根据推理或预测的结果执行相应的操作。简而言之，它是通过回归和积分等机器学习算法为大量输入数据建立预测模型，并将建立的模型应用于实际数据集以获得预测结果。铝已广泛应用于金融、医疗、教育、公安、交通、通讯、农业、气象、服务业等领域。

AOI自动光学检测：

简要介绍了人工智能的基本概念，并提到了人工智能中常用的计算机视觉算法。这些视觉算法也广泛应用于AOI。AOI自动光学检测是从手动目视检查发展而来的。其工作原理如下：首先，所需的图像特征信息为&#8220；学到了&#8221；通过视觉算法对标准CAM数据进行处理，然后使用在训练集上学习到的模型在每个PCB的扫描图像上提取特征，并将获得的特征图像与标准数据进行比较，根据给定的规则（检测标准）报告要检测的问题点。由于AOL是计算机视觉的典型应用，它与计算机视觉有着相同的困难。

AOI中的视觉困难：

成像过程中的信息丢失：当人们试图理解图像时，以前的经验和知识将用于当前的观察。理解图像的过程通常是在不知不觉中完成的。计算机视觉需要涉及数学、模式识别、人工智能、心理生理学、计算机科学、电子学等学科的结果和方法。因此，对于干式AOI，当将干式3D的PCB场投影到2D空间时，会丢失大量信息，特别是深度信息，如照明、材料属性、方向和距离，被反映为唯一的测量值；灰度值。同一2D平面的投影可以由无数可能的3D场景投影生成。因此，从2D到3D的逆过程是一个病态过程或不适定问题。观测数据不足以约束问题的解决。因此，有必要使用先验知识或引入适当的约束。例如，在AOI检测中，经常会遇到扫描图像（2D图像）上存在开路，但实际上可能是真正的开路，或者线上的氧化点、残留胶水和灰尘（3D场景）

图像遮挡：在计算机视觉中，图像遮挡通常是指光遮挡、物理遮挡、自遮挡或混合遮挡。因为图像遮挡不仅会丢失一些目标信息，还会引入额外的干扰。AOI中的屏蔽意味着真正的缺陷被异物覆盖（见图5）。该短路被粘性异物覆盖。用工具清洗后，可以看到一点底部铜，但异物不能完全去除。它需要用纤维擦拭布擦拭。因此，AOI无法通过灰度变化判断异物下是否存在真正的缺陷。

局部窗口和全局视图：通常，图像分析算法的分析操作是特殊的存储单元（图像中的一个像素）及其在内存中的相邻单元。当图像只能从局部视图或仅从一些局部孔获得时，通常很难解释图像。Ao根据不同的分辨率扫描指定的宽度，并将其划分为指定大小的图像块进行处理。因此，AOL的检测算法也是局部分析和处理的。PCB网络分析不会像E-test那样添加。在功能分析的逻辑处理中，只会添加辅助层。 

人工智能在AOI中的应用：

作为PCB制造中质量控制的关键过程，AOI过程需要更多的人工参与维修机上的确认过程。操作员需要对虚假缺陷、修复缺陷和报废缺陷进行分类，在板上做出相应的修复或标记动作，同时记录质量报告。在这些环节中，业界关心的是如何提高生产效率，降低生产成本（尤其是人工成本），减少人为因素造成的质量异常（搬运过程中的擦花、确认过程中的误判和遗漏等）。

如前所述，铝技术的应用是以简单实用的方式解决实际问题。与今天不同；智能照明，传统照明只需按下开关即可打开/关闭灯。智能照明需要拿出手机打开应用程序，打开灯光并调整颜色亮度，或者通过语音控制，但这个过程变得更加繁琐。在将铝技术集成到AOI检测的过程中，有必要避免铝对铝的行为，但要形成一套有价值的方案。讨论分为三个部分：装卸、AOI检测和CVR确认。

装卸：

装卸包括AOL和维护机器的装卸。越来越多的制造商实施了输送带和机械手等自动化方案，以提高效率并降低劳动力成本。AGV小车也被考虑用于AOI扫描仪和维护机之间的物料传输。如果使用智能机器人进行装卸，则需要评估智能机器人的成本和效率。

AOI检测：

主要包括AOI设备操作和逻辑操作。AOI应用系统简化了各种操作（项目编号检索、对齐、光学校正和应用设置），基本实现了一键操作。一些制造商使用扫描二维码的方法来检索要扫描的物品编号，以确保快速准确。因此，根据目前的情况，AOL的运营流程暂时不需要通过Al技术进行优化。如果视觉系统或语音识别系统被迫操作AOI系统，整个过程将变得更加复杂。经过多年的迭代和优化，AOL；s检测逻辑已根据深度学习的训练过程进行了评估，并已成为最优检测模型。至于逻辑运算的效率，如al、AOL等；s的视觉算法还使用了大量的矩阵乘法和卷积运算，因为GPU可以有效地处理矩阵乘法和褶积运算。可以预见，GPU将越来越多地用于干燥AOI，以提高逻辑运算的效率。后续AOI处理是铝技术应用的关键环节，即确认铝技术应用干式维修站，从而降低设备投资和人工成本。

CVR确认：

这个过程是最受关注的部分，主要包括假点过滤和真点分类。如果可以降低漏点率，那么板材处理、维护设备投资和维护劳动力成本将相应降低。这里的假点不是指逻辑假点（报告的缺陷没有任何异常），而是不想报告的缺陷，如灰尘、无粘性异物和氧化。据统计，这样&quot；假点数&#8221；占总缺陷的不到30%，高达80%（这一比例因不同制造商的制造设备、过程控制、生产环境和其他因素而异）。常见假点图见图6。

提起异物的缺点：

正如前面的视觉难点所讨论的，不可能确定异物的材料和高度，特别是异物与板材表面的结合（异物是否有粘性）或异物下是否覆盖有缺陷，也不可能仅通过2D灰度图（甚至彩色图像的RGB通道图）的灰度变化来准确区分氧化点、铜表面凹痕或针孔。因此，在实际生产中，当维修站的操作人员遇到此类缺陷时，他们会使用辅助工具（压缩空气、粘尘辊、橡皮擦或纤维橡皮擦等）进行清洁并确认缺陷类型。如果你想在这个链接中添加al视觉系统来减少这样的假点，你必须考虑如何克服各种异物、氧化、蚀刻图案差异等的干扰，这就要求系统使用3D样品作为处理对象，就像PCB的异常分析需要SEM或切片一样。考虑到此类缺陷的比例高达3%~10%（根据AOL车间的无尘管理、蚀刻线每个药液瓶的维护周期、隔膜膜的清洁周期、切割后的板材边缘处理等而波动），如果在现有设备的基础上简单地应用铝，结果必然是铝技术虽然降低了劳动力成本，但同时也会严重影响生产质量。

人工智能在真正缺陷处理中的前景：

那么，铝在真正的缺陷处理方面的前景如何？当CVR操作员确认缺陷是真实缺陷时，他们通常将真实缺陷分为维修和报废，这些缺陷可以在线或离线处理。在线处理是指在确认过程中对修复缺陷进行在线修复，并在板上标记报废缺陷的报废信息。离线处理是指在确认过程中仅标记缺陷或输入缺陷代码，然后将其传递给其他人员或设备进行维修或报废。作者认为，Al是应用于虚假缺陷过滤还是真正的缺陷分类取决于PCB工厂的假点率、缺陷分布和PCB板结构，有必要制定相应的人工智能应用规则（如为无人驾驶汽车指定车道），或者为Al提供更强的感知系统，以确保Al能够清楚地感知缺陷的形式。如果优化照明系统或采用3D成像，则很难添加新的硬件子系统。积极推进新基础设施建设先行：导入大数据系统。所需的缺陷图像可以通过CIMS的CDB和VVS系统收集。VVS（虚拟确认系统）上的缺陷分类不仅可以大大降低CVR的设备投资，还可以标记缺陷图像，为引入铝技术做准备。在CDB数据库系统中添加VVS系统和Al技术后，CVR只需要处理无法通过图片判断的缺点。经过充分的学习和模型迭代（特别是新材料和新工艺的不断更新），所有人工智能识别都可以基本实现。

结论：

虽然人工智能技术在AOI图像处理中得到了广泛的应用，但在维护环节仍有巨大的应用场景和空间。特别是在今天，随着算法的快速迭代，未来的维护系统将是一个集成各种算法的智能维护系统。当然，这些算法可以是简单的回归和分类算法，也可以是复杂的强化学习和结构化学习。强人工智能和弱人工智能是当今有争议的哲学问题。