歡迎登錄中國視覺網!
應用案例頻道
APPLICATION OF CASE
位置導航:首頁 >> 應用案例 >> 應用案例 >> PCB檢測新方案

PCB檢測新方案


時間:2019-11-25

應用領域:檢測


   自動光學檢測(AOI)是一種自動化的視覺檢測技術,在印刷電路板(PCB)檢測中,其涉及掃描PCB的表面以獲取清晰圖像。AOI系統可以檢測多種類型的PCB缺陷,包括短路、銅過多或不足、開路、劃痕、毛刺、銅渣、組件缺失和變形等。

   由于存在許多表面缺陷,因此與常規的電子元件檢測相比,PCB的檢測可能更加困難,并且還經常需要第二次手動篩選,以在PCB返回產品線之前區分真實缺陷和誤報的缺陷。



   該AI缺陷檢查系統由中國臺灣碁仕科技股份有限公司(G4 Technology)設計,它利用機器視覺相機和深度學習軟件,來準確地對PCB缺陷進行檢查、探測、標記和分類。與傳統的機器視覺技術相比,該系統可以分析復雜的圖像,提高圖像分析能力和自動視覺檢測的準確性,并對缺陷進行自動分類。

   該視覺系統包括一臺Allied Vision公司的相機、一個富士膠片公司的高分辨率鏡頭和SUALAB公司的SuaKIT深度學習軟件。系統中的相機型號是Manta G-032C,其基于30萬像素的Sony ICX424彩色CCD傳感器,像素尺寸為7.4μm,全分辨率下的幀率可達80.7fps。

   根據碁仕科技的總經理Ken Chou介紹,之所以選擇這款相機是因為其高幀率,以及這款相機與AI檢測算法的匹配性,這歸因于相機的高質量和高穩定性。

   在深度學習軟件中,基于范例的算法使用可接受和不可接受產品的圖像進行訓練,這與基于規則的算法要求手動設置缺陷標準不同。SuaKIT通過分析產品上的各種缺陷(分割),對圖像分類并按缺陷類型分類(分類),然后按類別探測圖像中的每個目標對象(探測),來檢查缺陷區域。

   為了實現缺陷檢測,SuaKIT的算法被訓練了大約100張正常和有缺陷產品的圖像,能在大約15分鐘的時間內建立神經網絡。此后,由于相機的高幀率,每秒可以在生產線上收集和處理80張圖像,從而使該軟件能夠自動學習和分析缺陷標準,并區分正常產品和缺陷產品的圖像。

   在深度學習算法的初始階段,所需的圖像數據會隨圖像的復雜性而變化。通常需要50~100張圖像,才能使系統可以處理客戶特定的缺陷標準。在這種情況下,使用深度學習軟件能夠替代人工視覺檢查的需求,可以將人員轉移或部署到工廠的其他制造流程或任務中,從而提高整體生產率。

   據SUALAB介紹,該軟件不需要按實例進行編碼,而是通過收集和輸入缺陷數據進行自學習來運行。該軟件在設計上還實現了可以通過CUDA(計算統一設備架構)技術,利用GPU高速處理數據。

   在部署了SuaKIT深度學習軟件的類似應用中,使用常規的機器視覺檢測方法(即模式匹配算法)來識別有缺陷的PCB產品,準確性低于40%。過度檢測率也很高,即使在完成自動檢測后,也至少需要三名手工檢查人員。SUALAB前全球業務經理Hanjun Kim介紹,SuaKIT在此應用中的檢測準確性達到了97.4%。

加拿大辛运28预测55 娱乐场地玩具车 外卖用红包商家怎么赚钱吗 456棋牌游456棋牌游戏 舟山体彩飞鱼投注技巧 赚享客如何赚钱 大乐透专家预测汇总 蓝月百赢棋牌官方下载 湖北十一选五开奖结果历史开奖结果 小区门口开干洗店行不行递点赚钱吗 31名合买彩票 玩着赚钱的方法 贵州11选5胆拖技巧 整天守店能做点什么赚钱 北京快3开奖结果下载版 亲朋游戏中心官网充值