你的位置:首頁 > 光電顯示 > 正文

如何利用人工智能改善自動光學檢測?

發(fā)布時間:2021-08-31 責任編輯:lina

【導讀】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。
 
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)。
 
如何利用人工智能改善自動光學檢測?
圖1:焊接在PCB上的表面貼裝芯片。
 
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。
 
如何利用人工智能改善自動光學檢測?
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。
 
如何利用人工智能改善自動光學檢測?
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)
 
 
免責聲明:本文為轉載文章,轉載此文目的在于傳遞更多信息,版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問題,請電話或者郵箱聯(lián)系小編進行侵刪。
特別推薦
技術文章更多>>
技術白皮書下載更多>>
熱門搜索
?

關閉

?

關閉