智能制造之DIP AOI检测技术
2022-09-29 16:32:46
随着这些年“互联网+”、“工业4.0”、“人工智能”等名词频繁出现在大众视野,在与民生息息相关的工业领域,指向了一个非常明确的目标——智能制造。
由于各种原因,产品生产过程中不可避免的会产生多种缺陷,如印制电路板上出现孔的错位、断路、短路等问题;液晶面板表面含有针孔、划痕、颗粒等问题;半导体景圆出现的冗余物、晶体缺陷和机械损伤等问题。这些缺陷不仅影响产品的性能,严重时甚至会危害到生命安全。
然而在相当长的一段时间内,绝大部分电子制造厂商仍然依赖于传统人工目视检查。以目前AOI(自动光学检测)技术渗透率**的PCB行业为例,曾有研究机构做过调查,当两个人检查相同的PCBA板四次时,他们的相互认同率少于28%,认同自己的只有大约44%左右。显然,随着电子元器件的微小化、复杂化趋势,以及制造行业整体对智能化变革的需求, AOI检测系统将在智能制造行业占据越发重要的位置。
在智能制造过程中,机器视觉是实现工业自动化和智能化的必要手段,相当于为机器装上了眼睛与大脑。机器视觉具有高度自动化、**率、高精度等优点,但是随着自动化工业的进一步深入,传统机器视觉在缺陷检测方面的局限性逐渐显露。
无法分析无规律图像、检测精确度较低、实现自动化检测进入壁垒高等等,这些都成为制约智能制造向纵深发展的重要因素。某些传统的机器视觉检测,因为有许多不易被机器识别的变量,所以编程也比较困难,例如照明、颜色变化、视野等。
在DIP工艺波峰焊炉后检测中尤为凸显,缺陷种类多,形态复杂,焊点的形态千变万化,如空洞、未出脚、锡球、不沾锡、少锡、拉尖、假焊、锡孔、短路等基于OK规则的传统算法疲于应付,传统AOI在实际检测中,会普遍存在以下核心痛点:
波峰焊点
(1)编程复杂、调试时间长
波峰焊的焊点形态变化大,传统算法需针对每一类焊点进行调试,大大增加了调试时间。同时,还对人员的熟练程度有要求,一旦人员流动,难以延续设备检测效果,从而影响生产效率。
(2)误判高
传统算法难以兼容焊点的多形态特征,误判比较高,大大增加了操作员复判的工作量。过多的误判,操作员容易疲劳,漏检的风险随之增加。
与传统AOI对比,灵智通DIP波峰焊AOI通过AI模型,自动识别焊点位置,易用性:1、无需设置参数;上手快;2、在线抓拍首件板系统辅助做程序,自动框图比例高,支持持续补充学习,学习后自动建模,一个检测框即可覆盖各类缺陷的检测,将之前1-2小时的调试时间缩短为10分钟以内。
DIP波峰焊AOI
不仅如此,基于深度学习的焊点识别,可精准定位缺陷位置,对多种形态各异的焊点做出准确的判断,解决传统算法仅对缺陷进行OK/NG粗分类问题。
经市场和客户验证,灵智通DIP炉后AOI检出率可达到99.99%,误判率低于0.3%。其中,PCBA DIP B系列波峰焊AOI已实现核心指标行业**,**提升工厂工艺品质。如此,生产线上更加一致、更加可靠且更快速地完成任务。
自动搜索焊点位置
基于深度学习的焊点识别,灵智通lingtet B510 波峰焊AOI可精准定位缺陷位置,对多种形态各异的焊点做出准确的判断,解决传统算法仅对缺陷进行OK/NG粗分类问题。
产品亮点
更简单的人机交互:传统算法调参复杂、上手困难,拉高了企业招聘难度,深度学习模型下人机交互快速简单,新人可2小时快速上手。
更细致的缺陷识别:基于深度学习的检测算法比传统机器视觉检测具有更高的检测精度,其中检出率可以达到99.99%,误判率低于3000PPM。
更精准的缺陷分类:基于深度学习的焊点识别告别粗分类。
纵观行业发展,将SMT-AOI用作DIP-AOI存在一些问题,也不方便调试。当前传统AOI虽为主流,但伴随着工厂对工艺日益**的要求,操作更简单、误判率更低,搭载深度学习算法的AOI会更加适应市场需求。助力中国制造2025,**推动智能智造向更高水平发展,灵智通会一直致力于为工厂提供降本增效的解决方案。
伴随AI技术的迅速发展,也给AOI检测行业带来了技术革新的契机。传统AOI检测与AI AOI辨识的差异,在于是否可针对未知瑕疵进行判定,传统AOI检测设备只能以设定好的参数标准为基准进行判断,也就是逻辑性的思考,需要先定义瑕疵的样本,再透过样本进行检测。但导入训练成熟的AI技术后,AI AOI检测系统能够自行定义瑕疵范围,进一步**判别未知的瑕疵图像,且这个学习的过程是在不断重复进行积累的。利用AI视觉辨识技术辅助AOI检测能够大幅提升检测设备的辨识正确率,加速生产线速度,取代流水线后续配备的人工检测,节省人力开支。
资讯来源:http://www.lingtest.cn/1876.html
|