康耐视博客

深度学习如何帮助电子行业实现自动化检测

deep learning electronics industry

机器视觉在电子硬件制造行业应用广泛。随着产品零件因消费者对轻薄的需求而越来越小,再加上对制造成本效益要求的提高,生产商们也越来越需要在不牺牲质量的前提下将生产过程的各个方面自动化。

但是还有一些应用,特别是半导体和移动设备行业,其复杂性和编程成本使得难以实现自动化。对于这些情况,通常会使用低效率的人类检查员作为一种折衷方案来处理涉及各种零件、部件和场景的判断式决策。人类检查员虽然比机器可靠,但疲劳时容易产生错误。

出于这些原因,电子产品制造商开始寻找深度学习式的检测解决方案,希望将人类思想的灵活性与计算机的稳定性完美结合,以获得快速且高度可靠的检测结果。阅读并了解深度学习如何为电子行业的检测、条码读取和分类任务带来革命性的变化。

缺陷探测

装配的印刷电路板 (PCB) 需要精密焊接组件才能保证电流的正常流动。极小的缺陷也可能造成干扰和故障。因此缺陷探测有非常关键的意义。但是焊接缺陷的各种变化——过度、不足、以及不均匀——视觉系统之所以能检测到不同,不仅仅是因为它们有细微的固有差异,还有眩光等图像问题会扭曲并改变相机检测到的外观。

电子行业深度学习缺陷探测

自动化检测系统即使在苛刻的图像质量条件下也不能被零件间的明显差异(例如过焊和焊接不足)影响。深度学习解决方案能够固定感兴趣的区域并检查有很大零件之间差异的焊缝,无需使用耗时、繁琐甚至无法实现的规则式编程。

康耐视深度学习缺陷探测工具使用有代表性的“好”(即,合格)和“差”(不合格)标记图像进行训练后,可学习识别各种焊接缺陷。康耐视深度学习可根据这些图像建立焊缝正常外观的参考模型,并避免受到成像问题和眩光造成的外观差异的影响。

光学字符识别

和电子组件及模块上印刷的字母数字字符类似,芯片上印刷的序列号也容易产生变形、歪斜和蚀刻质量差等问题。这些特征给传统 OCR 工具带来了极大的挑战,因为它们需要学习大量的字体和字符及其相应的各种外观。

电子行业深度学习 OCR

即使是最好的工具——允许用户一步完成整个字符串的训练、删除单个字符、学习同一字符的多个实例、以及将训练的字体载入或保存到新应用程序中——也非常费时,而且可能仍然无法识别变形严重的字符。

深度学习工具使用预先训练的库识别和验证字符,即使它们的外观发生变化也没有问题,所以测试和验证期间只需要在系统中对缺失的字符进行重新训练即可。这使检测系统有更好的开箱即用准确性,并且最大程度地减少了因重新训练而导致的停机时间。

装配验证

装配验证因为要考虑很多组件,所以是一种非常难以自动化的应用。这些组件都需要验证,例如是否存在、安装正确、以及朝向。这些检测可能是二维或三维的,具体取决于子组件。

PCB 的最终装配验证就是一个典型示例,它上面有 LED、微处理器、以及焊接在上面的其他表面安装设备。检测系统负责检查缺失的组件以及可能未正确放置的零件,因为这种错误可能会影响 PCB 的性能和寿命。

电子行业深度学习装配验证

虽然机器视觉系统可以针对多个感兴趣的区域进行训练并学习识别各个组件,但是灯光对比度、视角和方向的变化或眩光造成的外观差异仍然会困扰系统。高度集成的 PCB 更是如此,其组件非常紧密,机器视觉系统可能难以区分各个组件,导致它无法正确地完成检测。虽然人类检测员可以区分各个组件,但他们完全无法满足高吞吐量的需求。

使用规则式算法编程这些检测非常费时而且容易出错,更不用说现场维护极为困难。幸运的是,深度学习式视觉系统不但可以媲美人类的灵活性、分辨能力和判断力,而且有计算机的速度和稳定性。

使用一系列标记的参考范例进行训练后,这种工具即可构造出装配完成的 PCB 板的参考模型。该模型可以根据组件的一般大小、形状和特征来识别它们——即使它们的外观在检测过程中肯定会发生变化——并预测它们在电路板上的位置。检测时,康耐视深度学习可以识别多个感兴趣的区域以定位、统计和检查组件,确保它们存在并且装配正确。

分类

机器视觉有其固有的限制,包括分类能力。这在电子应用中会成为负担,因为某些组件需要在识别后分成多个类,而且检测系统不能受到某些视觉差异的影响。

电子行业深度学习分类

电容器就是组件随类型(陶瓷和电气)及尺寸(大和小)和颜色(金色和非金色)变化的典型范例。需要分选电容器的制造商要解决一个困难的任务,就是识别一张图像中的多个分类——例如黑色标记的金色陶瓷电容器或蓝色标记的金色电气电容器。检测系统要能根据制造商的标准分选组件,从而按颜色和标记区分电容器,同时忽略其他标准。

要自动完成这个任务,检测应用工程师就必须使用深度学习。对在监督模式下运行的深度学习软件进行训练后,不但可以检测选定的特征配组(例如金色和电气电容器),还能区分各个电容器的单个特征(金色、黑色或蓝色标记),同时忽略同一类型的其他差异。深度学习系统可以准确地分类和分选一张图像中某种组件的多个类型——相对机器视觉来说这是一个巨大的优势。

自动化生产流程和提高质量是电子行业的两个最大的需求,但是某些应用对于规则式算法来说过于复杂和耗时。康耐视深度学习利用图像分析人工智能的力量,解决了与元件定位、外观检测、分类和字符识别相关的电子应用难题。

更多帖子

获取产品支持和培训以及更多

加入 MyCognex

是否有任何疑问?

世界各地的康耐视代表可以随时为您提供支持,满足您的视觉和工业读码需求。

联系我们
Loading...