在制造業(yè)中，檢測是必不可少的功能。視覺檢測可確保產(chǎn)品符合其預期的功能和外觀，并為制造商和客戶帶來重要利益。最明顯的是，檢測結果能夠提供質(zhì)量保證，可以通過產(chǎn)品標注或標簽直接傳達給客戶，或者在制造工廠內(nèi)記錄，并作為其質(zhì)量控制過程的一部分。如果產(chǎn)品從現(xiàn)場退回，檢測報告還可以幫助進行故障排除，并可以幫助制造商處理任何索賠。

 

此外，在生產(chǎn)過程中識別出所有不合格物品可以幫助確定是否需要調(diào)整制造工藝或程序，檢測結果可以幫助確定故障原因，例如，電子產(chǎn)品表面貼裝機中的噴嘴堵塞，瓶裝設備故障或標簽機械未對準等等。實時識別缺陷可以做到立即停止生產(chǎn)，從而馬上解決問題。越早發(fā)現(xiàn)質(zhì)量問題，解決問題的成本就越低。業(yè)界經(jīng)常引用一個“十倍規(guī)則”：產(chǎn)品開發(fā)階段發(fā)現(xiàn)錯誤的成本比生產(chǎn)階段低十倍，依次而行，生產(chǎn)階段的錯誤成本比現(xiàn)場應用也低十倍。

 

從人工檢測到AOI

 

通常對生產(chǎn)的每個產(chǎn)品都需要進行檢測。經(jīng)過訓練的操作員可以人工進行檢測，尤其是在處理簡單產(chǎn)品或作為整體外觀最終檢測時更是如此。印刷電路板組件（PCBA）等一些應用可能需要放大設備，最小的功能尺寸（例如高密度IC互連和焊接在電路板上的01005大小SMD芯片）（見圖1），都對檢測人員的視覺敏感度（visual acuity）提出很大挑戰(zhàn)。

但是，隨著產(chǎn)品復雜性的提高，一些典型組件可能包含大量此類器件。檢測員在進行檢測并記錄結果時，必須要克服視覺和節(jié)拍時間的雙重挑戰(zhàn)，可能導致人工檢測不切實際。在某些情況下，例如高速灌裝工藝，可能根本無法進行人工檢測。

 

隨著特征尺寸、復雜性和吞吐量方面的挑戰(zhàn)越來越嚴峻，自動光學檢測（AOI）成為確保對每個項目進行充分檢測的唯一實用方法。

 

AOI包括圖像傳感，照明和計算子系統(tǒng)，它們協(xié)同工作以便捕獲和分析圖像。AOI系統(tǒng)可以將捕獲的圖像與參考圖像進行比較，之后得以能夠識別材料表面的缺陷、焊接缺陷或PCBA上元件缺失或放錯位置等缺陷?；蛘?，基于某些規(guī)則的系統(tǒng)會測量特征尺寸（例如組件本身或每個接頭中焊料量），以確定“良好”（G）或“不良”（NG）狀態(tài)。如果檢測到缺陷，則機器設備可以隔離有缺陷物品，然后繼續(xù)進行后續(xù)檢測，或者暫停并警告操作員。

 

盡管AOI在復雜性、吞吐量存在，或兩者兼而有之的情況下已經(jīng)超過了人工檢測，但是傳統(tǒng)的圖像處理系統(tǒng)和算法仍存在一些缺點，這些缺點在系統(tǒng)和軟件開發(fā)以及在工廠車間進行設備安裝時非常明顯。

 

從傳統(tǒng)圖像處理到AI

 

圖像識別的基本原理是將每個捕獲的圖像數(shù)字化，并應用各種濾鏡來檢測圖案和特征。邊緣檢測濾鏡通常用于檢測圖像中的對象。能夠識別人類的算法可以應用坡度斜率檢測（slope detection）來識別手臂、肩膀，、腿部等特征，該算法還需要檢測這些被檢測特征相對于彼此的方向，作為進一步的界定標準。

 

檢測焊點的算法可以采用邊緣檢測和顏色檢測來識別焊點，并檢測焊點表面（fillet）的坡度是否在可接受范圍內(nèi)。光學系統(tǒng)可以使用不同顏色從不同角度照亮待測單元。如果焊點表面的斜率正確，則可能會反射出更大比例的綠色波長。如果有更多的紅色波長或整個表面上呈現(xiàn)不斷變化的顏色組合，則表示有較淺焊點表面，表明焊料量或焊球形成不足，表明在焊接過程中沾錫較差。

 

無論是在安全監(jiān)控或汽車行人檢測等應用中的人員識別，在社交媒體應用中的面部識別，還是在工業(yè)檢測中進行缺陷檢測等所有應用，傳統(tǒng)的圖像識別都面臨著眾多挑戰(zhàn)。

 

定義規(guī)則并創(chuàng)建算法以檢測和分類數(shù)字圖像中的對象非常復雜。在工業(yè)檢測中，開發(fā)可靠的算法既昂貴又費時。在檢測PCB組件時，焊點的質(zhì)量只是要檢測的一個標準，還必須驗證每個組件的存在，以及相對于阻焊層的（solder mask）位置和方向、組件的共面性以及不需要的物體（例如焊料飛濺在電路板表面上）的存在。為所有情況和所有例外創(chuàng)建規(guī)則幾乎是不可能的。

 

微調(diào)算法和添加更多算法以覆蓋其他更多情況，這是一項永無止境的任務，需要不斷更新軟件。每當行業(yè)中使用新產(chǎn)品（例如高級電子組件封裝）時，都必須開發(fā)新算法以對其進行檢測。

 

人工智能（AI）可以在一定程度上模仿人類將學到的經(jīng)驗應用到圖像識別，從而能夠應對無限變化帶來的挑戰(zhàn)。在AI總體概念下涵蓋的各種計算結構中，卷積神經(jīng)網(wǎng)絡（CNN）通常用于圖像識別。這些包括相互連接的人工神經(jīng)元，并排列成層（見圖2）。它們通常是深度神經(jīng)網(wǎng)絡，在輸入和輸出層之間包含多個內(nèi)部或隱藏層。隱藏層對從前一層接收到的數(shù)據(jù)執(zhí)行特定、嚴格定義的采樣（pooling）和卷積計算。結果被發(fā)送到下一層，最終到達輸出層，可表明是否已識別出所尋找的對象。

 

圖2：CNN層。

 

在部署CNN之前，需要對其進行訓練以識別特定對象。在此過程中，通過每個答案的正確或不正確來調(diào)整每個神經(jīng)元在生成該答案中的重要性或權重，經(jīng)過多次迭代，CNN可以識別出具有較高正確性的圖像。在這一點上，可以認為它是經(jīng)過訓練，而冗余神經(jīng)元可以刪除，然后準備將神經(jīng)網(wǎng)絡部署為推理引擎，這或許是在云端實現(xiàn)，或許是在嵌入式計算平臺上實現(xiàn)。

 

將兩個領域融合在一起

 

AI可以為AOI設備的供應商和用戶帶來巨大優(yōu)勢。從供應商的角度來看，如果AI可以判斷看到特定對象的幾率，則可以簡化算法開發(fā)。通過減少定義每個對象和相應可接受標準的工作量，有助于縮短新設備的上市時間，并減少持續(xù)的軟件支持成本。對于用戶而言，通過AI實現(xiàn)的增強型AOI可以簡化檢測系統(tǒng)設置、編程和微調(diào)“良好” /“不良”警報的閾值。

AI現(xiàn)在正在進入AOI設備市場。一個范例是AAEON與AOI供應商合作伙伴共同創(chuàng)建，用于AI推理的嵌入式工業(yè)機器視覺計算平臺和多處理器擴展卡。該平臺可使AOI用于檢測多個產(chǎn)品線，而無需重新配置。與傳統(tǒng)系統(tǒng)相比，它具有更高的準確性和更少的誤報，還可以快速接受培訓以檢測新產(chǎn)品或識別以前未知的缺陷。

 

另一個范例是用于PCB組件檢測的MEK（Marantz）ISO-Spector M1A。該系統(tǒng)基于AI，可學習組裝和回流PCB的生產(chǎn)過程值，并基于數(shù)百個預設參數(shù)來識別缺陷。通過處理一些典型的挑戰(zhàn)，例如確定最佳光照水平，攝像頭位置，每個視圖的攝像頭設置以幫助缺陷檢測，以及調(diào)整檢測閾值以確保捕獲缺陷單元而不會進行過多的錯誤NG，能夠減少編程中涉及的人為因素。 AI能夠比人類專家快得多地自動調(diào)整多個參數(shù)，并以顯著降低的錯誤風險來做出決策，無論AOI系統(tǒng)是由初學者還是由專家進行編程，都可以實現(xiàn)一致的檢測結果。

 

中國制造商VCTA亦將AI添加到了其用于PCB制造的AOI系統(tǒng)中，從而可提供更強的操作能力：降低了廢品率，提高了產(chǎn)能和質(zhì)量。

 

AOI系統(tǒng)架構

 

此類系統(tǒng)的特性凸顯了AI可為包括安全和零售在內(nèi)許多領域的檢測應用所帶來的優(yōu)勢。在需要搜索圖像以檢測對象和特征或識別個人等特征的應用場景，AI可以簡化設置和編程，消除人為錯誤，最小化延遲并能夠支持更好的決策。

 

為了幫助開發(fā)人員充分利用該技術，攝像頭模塊現(xiàn)已進入市場，并具備軟件支持以簡化AI開發(fā)，這其中的范例包括Basler AI視覺方案套件（Vision Solution Kit）。該套件（見圖3）可與1300萬像素Basler dart（飛鏢)攝像頭和用于配置和操作相機的pylon攝像頭軟件套件一起使用。 Basler云端可提供用于對象檢測和人員識別，且經(jīng)過預先訓練的機器學習模型，可在套件上進行部署。開發(fā)人員還可以自由地將自己的模型用于任何應用。

 

圖3：Basler AI視覺解決方案套件。

 

Intel RealSense D400立體視覺深度相機系統(tǒng)集成了RealSense D4視覺處理器、一個立體深度模塊、一個具有彩色圖像信號處理功能的RGB傳感器和慣性測量單元，可滿足諸如機器人視覺、無人機、虛擬現(xiàn)實和家庭安全等應用的要求。深度模塊將左右成像器與可選紅外投影儀結合在一起，此紅外投影儀可投射不可見的靜態(tài)紅外圖案，以提高低紋理應用中的景深精度。

 

RealSense深度攝像頭在與TensorFlow或OCV等機器學習平臺一起使用時，可為對象檢測和分類等應用帶來更多價值。攝像頭模塊的單像素深度信息有助于解決其他挑戰(zhàn)，例如估算視野中物體的尺寸?？赏ㄟ^Intel RealSense網(wǎng)站的鏈接獲得相關指導教程和示例代碼，其中給出了如何達到此目的。

 

結論

生產(chǎn)線上的AOI能夠以和生產(chǎn)線匹配的速度運行，并且已經(jīng)在支持各行各業(yè)的制造商提高質(zhì)量保證，保證生產(chǎn)率，并不斷改進生產(chǎn)流程。在AI基礎上的進一步提升是AOI的未來發(fā)展方向，為光學檢測應用而訓練的算法能夠帶來提高決策能力的額外好處，可減少操作員的參與，簡化編程，并可提供更強大的性能，從而能夠提高缺陷檢測的確定性，同時減少誤報。

開發(fā)人員和創(chuàng)客可以開始探索如何使用來自領先制造商，并由貿(mào)澤電子提供的AI攝像頭套件來加強各種機器視覺應用。

(來源：Mark Patrick，貿(mào)澤電子)