Quality Inspection of Printed Circuit Board Pin Insertion via Semantic Segmentation and Board-Level Feature Extraction
Cet article propose une méthode d'inspection de qualité automatisée pour l'insertion de broches de circuits imprimés qui combine une segmentation sémantique basée sur U-Net avec une extraction de caractéristiques dérivées de contours et une régression logistique, atteignant une précision de classification quasi parfaite sur des jeux de données industriels et publics tout en surpassant les approches de détection d'anomalies et de segmentation d'instances de l'état de l'art.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le chaos calme et contrôlé d'une usine moderne, un circuit imprimé se déplace sur un tapis roulant. C'est un rectangle vert et mince, l'épine dorsale d'innombrables appareils électroniques, attendant de recevoir des centaines de minuscules broches métalliques. Ces broches sont les connecteurs vitaux qui permettent à l'électricité de circuler entre la carte et le reste du monde. Si une seule broche est même légèrement inclinée ou poussée sous un mauvais angle, l'appareil entier peut tomber en panne, entraînant des réparations coûteuses ou des dysfonctionnements dangereux. Pendant des décennies, s'assurer que ces broches sont parfaitement droites reposait sur des caméras rigides et un éclairage fixe, ou sur des yeux humains qui peuvent se fatiguer et manquer des erreurs subtiles. Désormais, une nouvelle approche émerge de l'intersection entre l'intelligence artificielle et le contrôle qualité industriel. Au lieu d'essayer de programmer un ordinateur avec une longue liste de règles sur ce qu'est une « bonne » broche, les chercheurs apprennent aux machines à voir la carte comme le ferait un humain : en reconnaissant la forme et la taille de chaque broche individuelle, puis en utilisant cette information visuelle pour décider si la carte entière est prête à l'emploi.
Le défi central de ce travail est qu'une broche inclinée ne semble pas toujours radicalement différente d'une broche droite. Parfois, la différence n'est qu'une question de quelques pixels, un léger décalage de l'ombre, ou un infime changement de la surface visible pour la caméra. Pour résoudre cela, une équipe de chercheurs de l'Université technique des sciences appliquées de Regensburg a développé un système qui décompose le problème en deux étapes distinctes. Premièrement, le système utilise un type d'intelligence artificielle appelée segmentation sémantique pour créer une carte précise de la carte. Imaginez cela comme un livre de coloriage numérique où l'ordinateur apprend à colorier chaque broche d'une nuance spécifique, la séparant clairement de la carte verte et de l'air environnant. Ce processus transforme une photographie complexe en un contour net, en noir et blanc, de chaque broche métallique sur la carte.
Une fois que l'ordinateur possède cette carte claire, il ne s'arrête pas pour examiner chaque broche individuellement. Au lieu de cela, il prend du recul pour regarder la carte dans son ensemble. Les chercheurs ont réalisé qu'une broche inclinée couvre généralement plus de surface qu'une broche droite parce qu'elle est vue sous un angle. En mesurant la taille et la forme des contours de chaque broche sur la carte, le système calcule des statistiques simples : la taille moyenne des broches, la variation de leurs tailles et la plus grande broche trouvée. Ces chiffres sont ensuite injectés dans un second programme informatique, plus simple, qui agit comme un juge final. Ce juge apprend de milliers d'exemples pour tracer une ligne entre « réussite » et « échec ». Si la taille des broches de la carte correspond au profil d'un assemblage sain, elle reçoit un feu vert ; si les tailles suggèrent trop de broches inclinées, elle est signalée pour rejet.
Les chercheurs ont testé cette méthode sur deux ensembles d'images très différents pour voir si elle pouvait gérer la variété du monde réel. Le premier ensemble provenait d'un partenaire industriel et contenait 827 images haute résolution de véritables circuits imprimés, dont certaines avaient été modifiées manuellement pour inclure des broches inclinées. Le second ensemble était une collection publique d'images présentant un aspect totalement différent, comprenant des vues recadrées de groupes de broches plutôt que des cartes entières. Dans les deux cas, le système a fait preuve d'une constance remarquable. Sur les données industrielles, la méthode a correctement séparé les bonnes cartes des mauvaises avec un score de 0,990 sur une échelle où 1,000 est parfait. Sur le jeu de données public, elle a obtenu un score parfait de 1,000. Cela signifie que, lors des tests, le système a été capable de distinguer une carte sans défaut d'une carte défectueuse presque sans erreur.
Pour comprendre l'efficacité de cette nouvelle approche, l'équipe l'a comparée à d'autres méthodes existantes. Ils ont testé une technique appelée détection d'anomalies, qui tente de trouver des défauts en apprenant ce qu'est une carte parfaite et en signalant tout ce qui semble différent. Ils ont également testé une méthode qui tente de trouver et de compter chaque broche individuellement, de manière similaire à la façon dont une personne pourrait compter des articles sur une étagère. Bien que ces méthodes alternatives aient montré des promesses, elles ont éprouvé davantage de difficultés face aux défis spécifiques des images industrielles ou ont nécessité des types de données différents pour fonctionner efficacement. La méthode proposée, qui combine la création de cartes détaillées de la première étape avec le jugement statistique de la seconde, s'est avérée la plus robuste. Elle a géré avec succès les conditions d'éclairage désordonnées et imprévisibles d'un véritable sol d'usine ainsi que les différents styles visuels du jeu de données public, à condition d'être entraînée sur des données spécifiques à cet environnement.
L'étude a également mis en évidence l'aspect pratique de l'utilisation d'une telle technologie. L'ensemble du processus, de la prise de photo d'une grande carte à la prise de décision de réussite ou d'échec, a pris environ 18 secondes sur un ordinateur puissant. La majeure partie de ce temps a été consacrée à la création de la carte détaillée des broches, tandis que la décision finale a été prise en une fraction de seconde. Les chercheurs ont noté que, bien que le système soit hautement précis, il ne s'agit pas d'une solution magique qui fonctionne instantanément sur n'importe quelle carte sans préparation. Il nécessite une phase d'entraînement spécifique où il apprend à partir d'exemples de bonnes et de mauvaises cartes, et ses performances dépendent fortement de la qualité de ces exemples. Cependant, les résultats suggèrent que cette combinaison de cartographie des formes et d'analyse de leurs statistiques collectives est un outil puissant pour l'avenir de la fabrication. Elle offre un moyen de détecter des erreurs minuscules et coûteuses qui pourraient échapper à d'autres méthodes d'inspection, garantissant que les appareils électroniques sur lesquels nous comptons sont construits avec la précision qu'ils exigent.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.