Quality Inspection of Printed Circuit Board Pin Insertion via Semantic Segmentation and Board-Level Feature Extraction
تقترح هذه الورقة طريقة مؤتمتة لفحص جودة إدخال دبابيس لوحات الدوائر المطبوعة تجمع بين التجزئة الدلالية القائمة على شبكة U-Net واستخراج الميزات المشتقة من المحيط والانحدار اللوجستي، محققةً دقة تصنيف تقارب الكمال على كل من مجموعات البيانات الصناعية والعامة مع تفوقها على أساليب كشف الشذوذ وتجزئة المثيلات الحديثة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في الفوضى المنضبطة والهادئة لمصنع حديث، تتحرك لوحة دوائر مطبوعة على حزام ناقل. إنها مستطيل أخضر رقيق، يمثل العمود الفقري لعدد لا يحصى من الأجهزة الإلكترونية، وهي تنتظر استقبال مئات الدبابيس المعدنية الصغيرة. هذه الدبابيس هي الموصلات الحيوية التي تسمح للكهرباء بالتدفق بين اللوحة وبقية العالم. فإذا كان حتى دبوس واحد مائلاً أو مدفوعاً في الزاوية الخاطئة، فقد يفشل الجهاز بأكما، مما يؤدي إلى إصلاحات مكلفة أو أعطال خطيرة. لعقود من الزمن، اعتمد ضمان استقامة هذه الدبابيس تماماً على كاميرات جامدة وإضاءة ثابتة، أو على عيون بشرية يمكن أن تتعب وتغفل عن الأخطاء الدقيقة. والآن، يبرز نهج جديد من نقطة التقاء الذكاء الاصطناعي ومراقبة الجودة الصناعية. فبدلاً من محاولة برمجة كمبيوتر بقائمة طويلة من القواعد حول شكل الدبوس "الجيد"، يعلم الباحثون الآلات كيف ترى اللوحة كما يراها البشر: من خلال التعرف على شكل وحجم كل دبوس على حدة، ثم استخدام هذه المعلومات المرئية لتقرير ما إذا كانت اللوحة بأكملها جاهزة للاستخدام.
يتمثل التحدي الجوهري في هذا العمل في أن الدبوس المائل لا يبدو دائماً مختلفاً بشكل دراماتيكي عن الدبوس المستقيم. فأحياناً يكون الفرق مجرد مسأية بضعة بكسلات، أو إزاحة طفيفة في الظل، أو تغيير ضئيل في المساحة السطحية المرئية للكاميرا. ولحل هذه المشكلة، طور فريق من الباحثين في جامعة ريغنسبورغ للعلوم التطبيقية نظاماً يقسم المشكلة إلى خطوتين متميزتين. أولاً، يستخدم النظام نوعاً من الذكاء الاصطناعي يسمى "التجزئة الدلالية" (semantic segmentation) لإنشاء خريطة دقيقة للوحة. تخيل هذا ككتاب تلوين رقمي حيث يتم تعليم الكمبيوتر تلوين كل دبوس بلون محدد، لفصله بوضوح عن اللوحة الخضراء والهواء المحيط. هذه العملية تحول صورة معقدة إلى مخطط نظيف بالأبيض والأسود لكل دبوس معدني على اللوحة.
بمجرد أن يمتلك الكمبيوتر هذه الخريطة الواضحة، فإنه لا يتوقف عند فحص كل دبوس على حدة. بدلاً من ذلك، يتراجع خطوة إلى الوراء لينظر إلى اللوحة ككل. أدرك الباحثون أن الدبوس المائل عادة ما يغطي مساحة سطحية أكبر من الدبوس المستقيم لأنه يُرى من زاوية. ومن خلال قياس حجم وشكل المخططات لكل دبوس على اللوحة، يحسب النظام إحصائيات بسيطة: متوسط حجم الدبابيس، ومدى تباين أحجامها، وأكبر دبوس تم العثور عليه. يتم بعد ذلك تغذية هذه الأرقام في برنامج كمبيوتر ثانٍ أبسط يعمل كحكم نهائي. يتعلم هذا الحكم من آلاف الأمثلة لرسم خط فاصل بين "النجاح" و"الفشل". فإذا كانت أحجام الدبابيس في اللوحة تتوافق مع نمط التجميع السليم، فإنه يحصل على الضوء الأخضر؛ أما إذا كانت الأحجام تشير إلى وجود الكثير من الدبابيس المائلة، فيتم وضع علامة عليه للرفض.
اختبر الباحثون هذه الطريقة على مجموعتين مختلفتين تماماً من الصور لمعرفة ما إذا كان بإمكانها التعامل مع التنوع في العالم الحقيقي. جاءت المجموعة الأولى من شريك صناعي واحتوت على 827 صورة عالية الدقة للوحات دوائر فعلية، بعضها تم تعديله يدوياً لتضم دبابيس مائلة. أما المجموعة الثانية، فكانت مجموعة عامة من الصور ذات مظهر مختلف تماماً، حيث تميزت بعروض مقصوصة لمجموعات من الدبابيس بدلاً من اللوحات الكاملة. وفي كلتا الحالتين، أظهر النظام اتساقاً ملحوظاً. ففي البيانات الصناعية، نجحت الطريقة في فصل اللوحات الجيدة عن السيئة بدرجة 0.990 على مقياس حيث الدرجة 1.000 تعني الكمال. وفي مجموعة البيانات العامة، حققت درجة مثالية بلغت 1.000. وهذا يعني أنه في الاختبارات، تمكن النظام من التمييز بين اللوحة الخالية من العيوب واللوحة المعيبة دون خطأ تقريباً.
لفهم مدى فعالية هذا النهج الجديد، قارنه الفريق بطرق أخرى موجودة. فقد اختبروا تقنية تسمى "كشف الشذوذ" (anomaly detection)، والتي تحاول إيجاد العيوب من خلال تعلم شكل اللوحة المثالية وتحديد أي شيء يبدو مختلفاً. كما اختبروا طريقة تحاول إيجال وعد عدد كل دبوس على حدة، بشكل مشابه لكيفية عد شخص ما لبعض العناصر على رف. وبينما أظهرت هذه الطرق البديلة نتائج واعدة، إلا أنها واجهت صعوبات أكبر مع التحديات المحددة للصور الصناعية أو تطلبت أنواعاً مختلفة من البيانات لتعمل بفعالية. وقد ثبت أن الطريقة المقترحة، التي تجمع بين رسم الخرائط التفصيلية في الخطوة الأولى والتحليل الإحصائي في الخطوة الثانية، هي الأكثر قوة. لقد نجحت في التعامل مع ظروف الإضاءة الفوضوية وغير المتوقعة في أرض المصنع الحقيقية والأنماط البصرية المختلفة لمجموعة البيانات العامة، شريطة أن يتم تدريبها على بيانات خاصة بتلك البيئة.
كما سلطت الدراسة الضوء على الجانب العملي لاستخدام مثل هذه التكنولوجيا. استغرقت العملية برمتها، بدءاً من التقاط صورة للوحة كبيرة وصولاً إلى اتخاذ قرار النجاح أو الفشل، حوالي 18 ثانية على جهاز كمبيوتر قوي. وقد استُهلك معظم هذا الوقت في إنشاء الخريطة التفصيلية للدبابيس، بينما تم اتخاذ القرار النهائي في جزء من الثانية. وأشار الباحثون إلى أنه على الرغم من دقة النظام العالية، إلا أنه ليس حلاً سحرياً يعمل فوراً على أي لوحة دون تحضير. فهو يتطلب مرحلة تدريب محددة حيث يتعلم من أمثلة للوحات الجيدة والسيئة، ويعتمد أداؤه بشكل كبير على جودة تلك الأمثلة. ومع ذلك، تشير النتائج إلى أن هذا الجمع بين رسم خرائط الأشكال وتحليل إحصاءاتها الجماعية يعد أداة قوية لمستقبل التصنيع. فهو يوفر وسيلة لالتقاط الأخطاء الصغيرة والمكلفة التي قد تفلت من طرق الفحص الأخرى، مما يضمن بناء الأجهزة الإلكترونية التي نعتمد عليها بالدقة التي تتطلبها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.