COGNEX ỨNG DỤNG CÔNG NGHỆ HỌC SÂU ĐỂ TỰ ĐỘNG KIỂM TRA CHO NGÀNH ĐIỆN TỬ

Khi các bộ phận của sản phẩm điện tử ngày càng nhỏ hơn do yêu cầu mỏng và nhẹ của người tiêu dùng và đòi hỏi sản xuất tối ưu về chi phí tăng lên thì điều quan trọng là các nhà sản xuất phải tự động hóa mọi khía cạnh của quy trình sản xuất mà không ảnh hưởng đến chất lượng.

Nhưng có những ứng dụng, đặc biệt là trong ngành bán dẫn và thiết bị di động, quá trình tự động hóa gặp nhiều khó khăn vì độ phức tạp và chi phí lập trình của chúng. Trong những trường hợp này, việc dựa vào công nhân kiểm tra là một phương án phổ biến nhưng không hiệu quả triệt để bởi con người vẫn dễ mắc lỗi khi có sự mệt mỏi.

Vì những lý do này, các nhà sản xuất thiết bị điện tử đang hướng tới các giải pháp kiểm tra dựa trên học sâu, sự kết hợp độc đáo giữa sự linh hoạt của trí óc con người với sự mạnh mẽ của máy tính để có kết quả kiểm tra nhanh chóng và có độ tin cậy cao. Hãy đọc để biết cách công nghệ học sâu cách mạng hóa các nhiệm vụ kiểm tra, đọc mã và phân loại đối với ngành công nghiệp điện tử.

Phát hiện khiếm khuyết

Các bảng mạch in (PCB) dựa vào việc hàn chính xác các thành phần để dòng điện có thể chạy qua. Các khuyết tật nhỏ nhất có thể gây nhiễu và hỏng hóc. Điều này làm cho việc phát hiện lỗi trở nên quan trọng. Tuy nhiên, sự đa dạng về các khuyết tật hàn là rất nhiều và không đồng đều, đối với hệ thống thị giác máy không chỉ vì sự khác biệt nhỏ của chúng mà còn do các vấn đề hình ảnh như chói, làm biến dạng và thay đổi màu sắc trước máy ảnh.

Phát hiện khiếm khuyết 

Bất kỳ hệ thống kiểm tra tự động nào cũng cần phải chịu được sự thay đổi đáng kể giữa các bộ phận trong các điều kiện chất lượng hình ảnh khắc nghiệt. Các giải pháp dựa trên học sâu có khả năng cố định vùng và kiểm tra các mối hàn với sự thay đổi từng phần đáng kể mà không cần lập trình dựa trên quy tắc, điều này sẽ quá tốn thời gian, tẻ nhạt hoặc đôi khi thậm chí là không thể.

Công cụ học sâu của Cognex phát hiện khuyết tật, học cách xác định nhiều loại khuyết tật hàn sau khi nó đã được đào tạo trên một tập hợp đại diện của các hình ảnh được dán nhãn “tốt” (tức là đạt) và “xấu” (không đạt). Dựa trên những hình ảnh này, Cognex Deep Learning có thể xây dựng một mô hình tham chiếu về bề ngoài bình thường của mối hàn, cũng như các khuyết tật không thể chấp nhận được, giải thích cho các biến thể về bề ngoài có thể do các vấn đề về hình ảnh và độ chói.

Nhận dạng ký tự quang học

Giống như bất kỳ ký tự chữ và số nào được in trên các linh kiện và mô-đun điện tử, các số sê-ri in trên chip dễ bị biến dạng, lệch và khắc kém. Những đặc điểm này thách thức các công cụ OCR truyền thống, những công cụ này cần được đào tạo trên thư viện phông chữ và ký tự cũng như các bản trình bày khác nhau của chúng.

Nhận dạng ký tự quang học

Ngay cả những công cụ tốt nhất - những công cụ cho phép người dùng đào tạo toàn bộ chuỗi ký tự trong một bước duy nhất, xóa các ký tự đơn lẻ, đào tạo trên nhiều trường hợp của cùng một ký tự và tải hoặc lưu các phông chữ đã đào tạo vào các ứng dụng mới - tốn nhiều thời gian và vẫn có thể gặp khó khăn khi xác định một ký tự có dị tật không mong muốn.

Các công cụ dựa trên học sâu sử dụng các thư viện được đào tạo trước để nhận dạng và xác minh các ký tự, ngay cả khi hình ảnh của chúng thay đổi, do đó, chỉ những ký tự bị thiếu mới cần được đào tạo lại trong hệ thống trong quá trình kiểm tra và xác nhận. Điều này mang lại cho hệ thống kiểm tra tốt hơn về độ chính xác và giảm thiểu thời gian chết do đào tạo lại.

Xác minh lắp ráp

Xác minh lắp ráp là một ứng dụng nổi tiếng là khó tự động hóa vì số lượng các thành phần khác nhau cần được tính đến. Các thành phần này cần được xác minh là hiện tại, được gắn kết một cách chính xác và được định hướng. Việc kiểm tra này có thể cần thực hiện ở định dạng 2D cũng như 3D, tùy thuộc vào bộ phận lắp ráp phụ.

Một ví dụ cổ điển là xác minh lắp ráp cuối cùng của PCB, PCB đã có đèn LED, bộ vi xử lý và các thiết bị gắn kết bề mặt khác được hàn vào nó. Hệ thống kiểm tra có trách nhiệm tìm kiếm các thành phần bị thiếu và các bộ phận có thể được đặt sai vị trí, vì những lỗi này có thể làm hỏng hiệu suất và tuổi thọ của PCB.

Xác minh lắp ráp

Hệ thống thị giác máy có thể được đào tạo trên nhiều khu vực quan tâm và học cách xác định từng thành phần riêng lẻ, nhưng các thay đổi về hình thức do độ tương phản ánh sáng, thay đổi về góc nhìn và hướng hoặc ánh sáng chói vẫn có thể gây nhầm lẫn cho hệ thống. Đặc biệt là trên PCB mật độ linh kiện cao, nơi các thành phần gần nhau, hệ thống thị giác máy có thể gặp khó khăn trong việc phân biệt các thành phần riêng lẻ, khiến nó không thể kiểm tra chính xác. Mặc dù nhân viên kiểm tra có thể phân biệt giữa các thành phần, nhưng chúng chỉ đơn giản là không thể đáp ứng nhu cầu thông lượng tốc độ cao.

Việc lập trình các kiểm tra này thành một thuật toán dựa trên quy tắc tốn nhiều thời gian và vẫn dễ xảy ra lỗi, chưa kể đến việc duy trì tại hiện trường rất khó khăn. May mắn thay, các hệ thống thị giác dựa trên học tập sâu sánh ngang với sự linh hoạt, sự sáng suốt và khả năng ra quyết định dựa trên phán đoán của con người với lợi ích bổ sung là tốc độ và độ mạnh của máy tính.

Được đào tạo về một tập hợp các tham chiếu ví dụ được dán nhãn, công cụ có thể xây dựng một mô hình tham chiếu của một bảng PCB được lắp ráp hoàn chỉnh. Mô hình có thể xác định các thành phần riêng lẻ dựa trên kích thước, hình dạng và tính năng tổng quát của chúng - mặc dù hình dạng của chúng nhất định thay đổi trong quá trình kiểm tra và dự đoán vị trí của chúng trên bảng. Trong quá trình kiểm tra, Cognex Deep Learning có thể xác định nhiều khu vực quan tâm để xác định vị trí, đếm và kiểm tra các thành phần nhằm đảm bảo chúng có mặt và được lắp ráp chính xác.

Phân loại

Thị giác máy có những hạn chế cố hữu, bao gồm khả năng phân loại. Điều này trở thành gánh nặng trong các ứng dụng điện tử, nơi các thành phần cần được xác định và nhóm thành nhiều lớp và hệ thống kiểm tra cần phải chịu được một số thay đổi trực quan.

Phân loại sản phẩm

Các tụ điện điện tử là một ví dụ điển hình về một thành phần thay đổi theo loại (gốm và điện) cũng như theo kích thước (lớn và nhỏ) và màu sắc (vàng và không phải vàng). Một nhà sản xuất cần phân loại tụ điện phải đối mặt với nhiệm vụ khó khăn là tạo ra một hình ảnh đơn lẻ chứa nhiều phân loại — ví dụ, tụ điện bằng gốm vàng có dấu đen hoặc tụ điện vàng với dấu màu xanh lam. Hệ thống kiểm tra cần có khả năng phân loại linh kiện theo tiêu chí của nhà sản xuất để phân biệt tụ điện bằng màu sắc và dấu hiệu của chúng trong khi bỏ qua các tiêu chí khác.

Để thực hiện điều này một cách tự động, một kỹ sư ứng dụng kiểm tra học sâu để tìm ra giải pháp. Phần mềm dựa trên học sâu hoạt động ở chế độ được giám sát có thể được đào tạo để vừa phát hiện nhóm đặc điểm có chọn lọc (ví dụ: cả tụ điện vàng và tụ điện), vừa phân biệt giữa các đặc điểm riêng lẻ của từng tụ điện (dấu vàng, đen hoặc xanh lam) trong khi bỏ qua các biến thể bổ sung trong cùng một loại. Hệ thống dựa trên học tập sâu có thể phân loại và sắp xếp chính xác nhiều loại của một thành phần trong một hình ảnh duy nhất - một lợi ích to lớn so với thị giác máy.

Tự động hóa quy trình sản xuất và nâng cao chất lượng là hai nhu cầu lớn nhất của ngành công nghiệp điện tử, tuy nhiên một số ứng dụng quá phức tạp và tốn thời gian để lập trình thành một thuật toán dựa trên quy tắc. Cognex Deep Learning tận dụng sức mạnh của trí tuệ nhân tạo trong việc phân tích hình ảnh để giải quyết các ứng dụng điện tử đầy thách thức liên quan đến vị trí bộ phận, kiểm tra mỹ phẩm, phân loại và nhận dạng ký tự.