Quality Inspection of Printed Circuit Board Pin Insertion via Semantic Segmentation and Board-Level Feature Extraction
Dieses Paper schlägt eine automatisierte Qualitätsinspektion für das Bestücken von Leiterplatten-Pins vor, die eine U-Net-basierte semantische Segmentierung mit konturabgeleiteter Merkmalsextraktion und logistischer Regression kombiniert und dabei eine nahezu perfekte Klassifizierungsgenauigkeit sowohl auf industriellen als auch auf öffentlichen Datensätzen erreicht, während sie modernste Ansätze der Anomalieerkennung und Instanzsegmentierung übertrifft.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In dem stillen, kontrollierten Chaos einer modernen Fabrik bewegt sich eine Leiterplatte auf einem Förderband. Sie ist ein dünnes, grünes Rechteck, das Rückgrat unzähliger elektronischer Geräte, und wartet darauf, hunderte winziger Metallstifte zu erhalten. Diese Stifte sind die lebenswichtigen Verbindungen, die den Stromfluss zwischen der Platine und der restlichen Welt ermöglichen. Wenn auch nur ein einziger Stift schief oder in einem falschen Winkel hineingedrückt ist, kann das gesamte Gerät ausfallen, was zu kostspieligen Reparaturen oder gefährlichen Fehlfunktionen führt. Seit Jahrzehnten beruht die Sicherstellung, dass diese Stifte perfekt gerade sind, auf starren Kameras und fester Beleuchtung oder auf menschlichen Augen, die ermüden und subtile Fehler übersehen können. Nun zeichnet sich ein neuer Ansatz an der Schnittstelle von künstlicher Intelligenz und industrieller Qualitätskontrolle ab. Anstatt zu versuchen, einen Computer mit einer langen Liste von Regeln darüber zu programmieren, wie ein „guter“ Stift aussieht, bringen Forscher Maschinen bei, die Platine so zu sehen, wie ein Mensch es tun würde: indem sie die Form und Größe jedes einzelnen Stifts erkennen und diese visuellen Informationen nutzen, um zu entscheiden, ob die gesamte Platine einsatzbereit ist.
Die zentrale Herausforderung dieser Arbeit besteht darin, dass ein schiefer Stift nicht immer drastisch anders aussieht als ein gerader. Manchmal liegt der Unterschied nur in ein paar Pixeln, einem leichten Schattenwechsel oder einer winzigen Änderung der sichtbaren Oberfläche. Um dies zu lösen, entwickelte ein Forscherteam der Technischen Hochschule Regensburg ein System, das das Problem in zwei getrennte Schritte unterteilt. Zuerst nutzt das System eine Art der künstlichen Intelligenz namens semantische Segmentierung, um eine präzise Karte der Platine zu erstellen. Stellen Sie sich dies als ein digitales Malbuch vor, bei dem der Computer angewiesen wird, jeden einzelnen Stift in einem spezifischen Farbton auszumalen, um ihn klar vom grünen Board und der Umgebungsluft abzugrenzen. Dieser Prozess verwandelt ein komplexes Foto in eine saubere, schwarz-weiß Kontur jedes einzelnen Metallstifts auf der Platine.
Sobald der Computer diese klare Karte hat, hält er nicht inne, um jeden Stift einzeln zu betrachten. Stattdessen tritt er einen Schritt zurück, um die Platine als Ganzes zu betrachten. Die Forscher erkannten, dass ein schiefer Stift meist mehr Oberfläche abdeckt als ein gerader, da er aus einem Winkel betrachtet wird. Durch das Messen der Größe und Form der Umrisse für jeden Stift auf der Platine berechnet das System einfache Statistiken: die durchschnittliche Größe der Stifte, wie stark ihre Größen variieren und den größten gefundenen Stift. Diese Zahlen werden dann in ein zweites, einfacheres Computerprogramm eingespeist, das als endgültiger Richter fungiert. Dieser Richter lernt aus tausenden Beispielen, um eine Linie zwischen „bestanden“ und „nicht bestanden“ zu ziehen. Wenn die Stiftgrößen der Platine dem Muster einer gesunden Montage entsprechen, erhält sie ein grünes Licht; wenn die Größen darauf hindeuten, dass zu viele schiefe Stifte vorhanden sind, wird sie zur Ablehnung markiert.
Die Forscher testeten diese Methode an zwei sehr unterschiedlichen Bildsätzen, um zu sehen, ob sie mit realer Varianz umgehen kann. Der erste Satz stammte von einem Industriepartner und enthielt 827 hochauflösende Bilder tatsächlicher Leiterplatten, von denen einige manuell verändert worden waren, um schiefe Stifte einzuschließen. Der zweite Satz war eine öffentliche Sammlung von Bildern mit einem völlig anderen Aussehen, die vergrößerte Ansichten von Stiftgruppen statt ganzer Platinen zeigte. In beiden Fällen arbeitete das System mit bemerkenswerter Konsistenz. Bei den Industriedaten unterschied die Methode korrekte von fehlerhaften Platinen mit einem Wert von 0,990 auf einer Skala, bei der 1,000 perfekt ist. Beim öffentlichen Datensatz erreichte sie einen perfekten Wert von 1,000. Das bedeutet, dass das System in den Tests in der Lage war, eine makellose Platine fast ohne Fehler von einer defekten zu unterscheiden.
Um zu verstehen, wie gut dieser neue Ansatz funktionierte, verglich das Team ihn mit anderen bestehenden Methoden. Sie testeten eine Technik namens Anomalieerkennung, die versucht, Defekte zu finden, indem sie lernt, wie eine perfekte Platine aussieht, und alles markiert, was anders aussieht. Sie testeten auch eine Methode, die versucht, jeden Stift einzeln zu finden und zu zählen, ähnlich wie ein Mensch Gegenstände in einem Regal zählen würde. Obwohl diese Alternativmethoden vielversprechend waren, hatten sie mehr mit den spezifischen Herausforderungen der Industriebilder zu kämpfen oder benötigten andere Arten von Daten, um effektiv zu arbeiten. Die vorgeschlagene Methode, die die detaillierte Kartenerstellung des ersten Schritts mit der statistischen Beurteilung des zweiten Schritts kombiniert, erwies sich als am robustesten. Sie bewältigte erfolgreich die unordentlichen, unvorhersehbaren Lichtverhältnisse eines echten Fabrikbodens und die unterschiedlichen visuellen Stile des öffentlichen Datensatzes, sofern sie mit Daten spezifisch für diese Umgebung trainiert wurde.
Die Studie hob auch die praktische Seite der Nutzung einer solchen Technologie hervor. Der gesamte Prozess, vom Aufnehmen eines Bildes einer großen Platine bis hin zur Entscheidung über Bestehen oder Nichtbestehen, dauerte auf einem leistungsstarken Computer etwa 18 Sekunden. Der Großteil dieser Zeit wurde für die Erstellung der detaillierten Karte der Stifte aufgewendet, während die endgültige Entscheidung in einem Bruchteil einer Sekunde getroffen wurde. Die Forscher merkten an, dass das System zwar hochpräzise ist, aber keine magische Lösung darstellt, die sofort und ohne Vorbereitung auf jede Platine funktioniert. Es erfordert eine spezifische Trainingsphase, in der es aus Beispielen guter und schlechter Platinen lernt, und seine Leistung hängt stark von der Qualität dieser Beispiele ab. Die Ergebnisse legen jedoch nahe, dass diese Kombination aus der Kartierung von Formen und der Analyse ihrer kollektiven Statistiken ein mächtiges Werkzeug für die Zukunft der Fertigung ist. Sie bietet eine Möglichkeit, winzige, kostspielige Fehler abzufangen, die anderen Inspektionsmethoden entgehen könnten, und stellt sicher, dass die elektronischen Geräte, auf die wir uns verlassen, mit der erforderlichen Präzision gebaut werden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.