电子产品

智能手机音圈点焊检测

确保正确地将引线焊接到输出接触垫上

Smartphone voice coil spot weld inspection fail examples

相关产品

In-Sight D900

In-Sight D900

采用 In-Sight ViDi 技术的深度学习式视觉软件

VisionPro ViDi Software inspecting computer mouse on monitor

VisionPro Deep Learning

面向深度学习工业图像分析的图形化编程环境

智能手机中的音圈是振动扬声器振膜以发出声音的组件。它回应两根柔性引线的电信号,这两根引出线通过热压焊接连接到输出接触垫上。引线很细,合格焊接的错误率非常高。

可能出现许多缺陷:

  • 断裂或缺失引线
  • 过度焊接,这可能会缩短引线寿命
  • 焊接不足,造成接触不良,可能会分离
  • 漏焊,使引线处于正确的位置,但没有连接起来
  • 错误连接,引线连接到输出接触垫的错误位置上

欠焊或过焊的连接可能会通过电气检测,但在现场使用时却过早地失效。视觉检测可以更可靠地发现这种缺陷。

由于可能出现的焊接问题范围很广,传统的机器视觉很难通过编程来发现所有问题。查看引线和焊接的背景是可变的,输出的接触垫也有纹理,增加了图像的复杂性。不同批次的接触垫可能看起来不同,改变了背景,导致精度突然下降。

此外,合格点焊在形状、颜色、纹理和其他特征上可能有很大差异。使用基于规则的传统机器视觉来识别这种范围广泛的可接受焊接,会导致很高的误报率,然后需要人工检测。

康耐视深度学习的缺陷探测非常适合检测 SIM 卡连接的异常情况。该缺陷探测工具使用一组无缺陷的 SIM 卡图像以及一组有缺陷的 SIM 卡图像进行训练。经过训练后,就能准确地检测出连接器上的各种缺陷,同时让不影响功能的纯粹外观标记通过。

传统的机器视觉只能检测有限的、出现在固定位置的缺陷类型,而深度学习缺陷探测工具可以定义和检测广泛的不同类型的缺陷,无论这些缺陷在被检测物品上的什么位置。由于缺陷探测工具的功能强大,有可能需要减少所需的视觉检测站数量,从而降低测试成本,同时实现高水平的准确缺陷探测。

 

智能手机音圈点焊检测合格和不合格示例

 

康耐视特色产品

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