AI-Based Inline PCB Defect Detection and Robotic Sorting Using Smart Vision, PLC Logic, Fanuc Vision and SCADA Integration

Dans les usines qui fabriquent l'électronique mondiale, une minuscule erreur peut coûter une fortune. Une seule puce manquante sur un circuit imprimé, une tache de soudure là où elle ne devrait pas être, ou un composant placé légèrement de travers peut rendre un appareil inutile. Pendant des décennies, la solution consistait à faire scanner chaque carte par des yeux humains, une tâche lente et épuisante où la fatigue menait inévitablement à des erreurs non détectées. Puis sont arrivées les machines capables de voir, utilisant des caméras et des logiciels pour comparer ce qu'elles voyaient à un modèle parfait. Mais ces premières machines étaient rigides ; si une carte se décalait légèrement ou si l'éclairage changeait, la machine se confondait, rejetant de bonnes pièces ou manquant des mauvaises. La prochaine étape de cette évolution fut de donner aux machines un cerveau capable d'apprendre, tout comme un humain, pour reconnaître des motifs et des défauts sans avoir besoin d'un modèle parfait et immuable. Ce passage de règles rigides à un apprentissage flexible est le cœur de l'automatisation industrielle moderne, promettant un avenir où les usines fonctionneront plus rapidement, plus proprement et avec moins d'erreurs.

Une équipe de chercheurs de l'Université technologique du Michigan a construit un modèle fonctionnel de ce futur, créant un système complet qui inspecte les circuits imprimés et les trie automatiquement sans aide humaine. Ils n'ont pas seulement écrit un programme informatique pour trouver des erreurs ; ils ont construit une station de travail physique où une caméra, un contrôleur, un robot et un écran de surveillance travaillent tous ensemble comme une seule unité. Le système utilise une caméra intelligente équipée d'intelligence artificielle pour observer les circuits imprimés circulant sur un tapis roulant. Lorsque la caméra repère une carte, elle arrête le tapis, prend une photo et décide instantanément si la carte est bonne ou mauvaise. Si la carte est défectueuse, un bras robotique descend pour la retirer ; si elle est bonne, le tapis redémarre et la carte continue sa route. Les chercheurs ont prouvé que toute cette chaîne d'événements — de la vision de la carte par la caméra au mouvement du robot — peut se produire de manière fiable, même lorsque plusieurs cartes sont présentes sur le tapis en même temps.

Le cœur de leur réussite réside dans la gestion du flux d'informations. Dans une usine très active, les cartes ne s'arrêtent pas une par une ; elles circulent souvent en flux continu. Cela crée un problème délicat : si une caméra inspecte une carte et que le tapis se déplace, comment le robot sait-il quelle carte ramasser plus tard ? Si le système se trompe, il pourrait jeter une bonne carte ou laisser une mauvaise derrière elle. Les chercheurs ont résolu cela en utilisant une file d'attente numérique, une méthode consistant à conserver les résultats d'inspection dans l'ordre exact de leur arrivée, comme une file de personnes attendant un ticket. Lorsqu'une carte arrive à la caméra, le résultat est placé à la fin de la file. Lorsque cette même carte arrive à la station du robot, le système prend le résultat au début de la file et l'utilise pour dire au robot quoi faire. Cela garantit que chaque carte est jugée selon son propre dossier d'inspection, quel que soit le nombre d'autres cartes circulant autour d'elle.

Pour tester ce système, l'équipe a mis en place un environnement réel comprenant un tapis roulant, deux capteurs pour détecter l'arrivée d'une carte, une caméra intelligente et un bras robotique à six axes. Ils ont entraîné l'intelligence artificielle de la caméra à reconnaître les circuits intégrés manquants, qui sont les petites puces noires qui sont le cerveau du circuit imprimé. La caméra a appris à chercher les formes spécifiques de ces puces et à les compter. Si la caméra voyait le nombre correct de puces, elle marquait la carte comme conforme. Si elle voyait moins de puces que prévu, ou si les puces étaient mal placées, elle marquait la carte comme défaillante. Le système a été conçu pour gérer la réalité désordonnée d'un atelier d'usine, où les cartes pourraient ne pas s'arrêter exactement au même endroit à chaque fois ou bien où l'éclairage pourrait varier légèrement.

Les résultats ont montré que le système fonctionnait comme prévu. Lors d'une série de tests impliquant quatorze circuits imprimés, le système a correctement identifié lesquels étaient bons et lesquels étaient mauvais. Il a réussi à distinguer les cartes possédant tous leurs composants de celles qui en étaient dépourvues. La caméra a mis moins d'une seconde pour prendre sa décision, et le bras robotique s'est déplacé avec précision pour trier les cartes. Les chercheurs ont constaté que le système était particulièrement efficace pour gérer le mouvement physique des cartes ; la file d'attente numérique n'a jamais perdu la trace du résultat appartenant à quelle carte, même lorsque le tapis roulant transportait plusieurs articles. Le bras robotique, guidé par son propre système de vision, a été capable de ramasser les cartes et de les placer dans les bons bacs, que ce soit pour envoyer une bonne carte sur la ligne ou pour jeter une mauvaise dans un bac de rejet.

Cependant, les chercheurs ont pris soin de noter qu'il s'agissait d'un prototype, un modèle fonctionnel construit pour prouver le concept plutôt qu'un produit fini prêt pour une production de masse. Bien que le système ait atteint une précision d'environ quatre-vingts pour cent lors de leurs tests spécifiques, ils ont reconnu qu'il n'est pas encore parfait. Le système a un peu éprouvé de difficultés lorsque les cartes n'étaient pas positionnées exactement de la même manière à chaque fois, et la vitesse du tapis roulant était limitée car le tapis devait s'arrêter pour que la caméra puisse prendre une photo. Ce sont des obstacles pratiques qui devraient être résolus avant qu'un tel système ne puisse fonctionner aux vitesses élevées d'un grand fabricant d'électronique. L'équipe a également noté que le modèle d'intelligence artificielle avait été entraîné sur un ensemble d'images relativement restreint, ce qui limitait sa capacité à gérer tous les types de défauts ou de conditions d'éclairage possibles.

Malgré ces limites, le projet a démontré qu'il est possible de combiner l'intelligence artificielle avancée avec l'équipement industriel standard pour créer une ligne d'inspection entièrement automatisée. Le système ne reposait pas sur un seul ordinateur puissant dans une salle de serveurs lointaine ; au contraire, l'intelligence résidait à l'intérieur de la caméra elle-même, prenant des décisions localement et instantanément. Cette approche a permis à la caméra de communiquer directement avec le contrôleur de l'usine, qui a ensuite dit au robot quoi faire. L'ensemble du processus était surveillé sur un écran qui affichait l'état de chaque partie du système en temps réel, permettant à un opérateur humain de voir exactement ce qui se passait d'un simple coup d'œil. Cette intégration de la vision intelligente, du contrôle logique et du tri physique représente une étape importante dans la façon dont les usines peuvent garantir la qualité. Elle montre que l'écart entre la recherche de haute technologie et la machinerie réelle d'un atelier d'usine se réduit, nous rapprochant d'un monde où les machines peuvent non seulement voir les défauts, mais aussi les comprendre et résoudre le problème sans intervention humaine.