Quality Inspection of Printed Circuit Board Pin Insertion via Semantic Segmentation and Board-Level Feature Extraction
यह शोध पत्र प्रिंटेड सर्किट बोर्ड पिन इंसर्शन के लिए एक स्वचालित गुणवत्ता निरीक्षण पद्धति प्रस्तावित करता है जो यू-नेट-आधारित सिमेंटिक सेगमेंटेशन को कंटूर-व्युत्पन्न फीचर एक्सट्रैक्शन और लॉजिस्टिक रिग्रेशन के साथ जोड़ता है, जिससे औद्योगिक और सार्वजनिक दोनों डेटासेट पर लगभग पूर्ण वर्गीकरण सटीकता प्राप्त होती है और यह अत्याधुनिक विसंगति पहचान (anomaly detection) एवं इंस्टेंस सेगमेंटेशन दृष्टिकोणों से बेहतर प्रदर्शन करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक आधुनिक कारखाने के शांत, नियंत्रित कोलाहल के बीच, एक प्रिंटेड सर्किट बोर्ड (PCB) कन्वेयर बेल्ट पर आगे बढ़ रहा है। यह एक पतला, हरा आयत है, जो अनगिनत इलेक्ट्रॉनिक उपकरणों की रीढ़ है, और सैकड़ों नन्हे धातु के पिन प्राप्त करने की प्रतीक्षा कर रहा है। ये पिन महत्वपूर्ण कनेक्टर हैं जो बोर्ड और बाकी दुनिया के बीच बिजली के प्रवाह की अनुमति देते हैं। यदि एक भी पिन टेढ़ा या गलत कोण पर धंसा हुआ है, तो पूरा उपकरण विफल हो सकता है, जिससे महंगी मरम्मत या खतरनाक खराबी हो सकती है। दशकों से, इन पिनों के बिल्कुल सीधा होने को सुनिश्चित करने के लिए कठोर कैमरों और निश्चित प्रकाश व्यवस्था, या उन मानवीय आँखों पर निर्भर रहना पड़ा है जो थक सकती हैं और सूक्ष्म त्रुटियों को अनदेखा कर सकती हैं। अब, आर्टिफिशियल इंटेलिजेंस और औद्योगिक गुणवत्ता नियंत्रण के मिलन बिंदु से एक नया दृष्टिकोण उभर रहा है। एक कंप्यूटर को इस बारे में नियमों की लंबी सूची के साथ प्रोग्राम करने के बजाय कि एक "अच्छा" पिन कैसा दिखता है, शोधकर्ता मशीनों को बोर्ड को उसी तरह देखना सिखा रहे हैं जैसे एक इंसान देखता है: प्रत्येक व्यक्तिगत पिन के आकार और रूप को पहचानकर, और फिर उस दृश्य जानकारी का उपयोग यह तय करने के लिए करना कि क्या पूरा बोर्ड उपयोग के लिए तैयार है।
इस कार्य में मुख्य चुनौती यह है कि एक टेढ़ा पिन हमेशा एक सीधे पिन से नाटकीय रूप से भिन्न नहीं दिखता है। कभी-कभी अंतर केवल कुछ पिक्सेल का मामला होता है, छाया में एक मामूली बदलाव, या कैमरे को दिखने वाले सतह क्षेत्र में एक छोटा सा परिवर्तन। इसे हल करने के लिए, 'टेक्निकल यूनिवर्सिटी ऑफ एप्लाइड साइंसेज रेगेंसबर्ग' के शोधकर्ताओं की एक टीम ने एक ऐसी प्रणाली विकसित की है जो इस समस्या को दो अलग-अलग चरणों में विभाजित करती है। सबसे पहले, सिस्टम 'सिमेंटिक सेगमेंटेशन' नामक एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करके बोर्ड का एक सटीक मानचित्र बनाता है। कल्पना कीजिए कि यह एक डिजिटल कलरिंग बुक है जहाँ कंप्यूटर को हर एक पिन को एक विशिष्ट रंग में रंगना सिखाया गया है, जिससे वह हरे बोर्ड और आसपास की हवा से स्पष्ट रूप से अलग हो सके। यह प्रक्रिया एक जटिल तस्वीर को बोर्ड पर मौजूद प्रत्येक धातु के पिन की एक साफ, ब्लैक-एंड-व्हाइट आउटलाइन (रूपरेखा) में बदल देती है।
एक बार जब कंप्यूटर के पास यह स्पष्ट मानचित्र आ जाता है, तो वह प्रत्येक पिन को व्यक्तिगत रूप से देखने के लिए नहीं रुकता है। इसके बजाय, वह पूरे बोर्ड को एक समग्र रूप में देखने के लिए पीछे हट जाता है। शोधकर्ताओं ने महसूस किया कि एक टेढ़ा पिन अक्सर एक सीधे पिन की तुलना में अधिक सतह क्षेत्र घेरता है क्योंकि उसे एक कोण से देखा जाता है। बोर्ड पर प्रत्येक पिन की रूपरेखा के आकार और आकृति को मापकर, सिस्टम सरल सांख्यिकी (statistics) की गणना करता है: पिनों का औसत आकार, उनके आकारों में कितना अंतर है, और पाया गया सबसे बड़ा पिन। इन संख्याओं को फिर एक दूसरे, सरल कंप्यूटर प्रोग्राम में डाला जाता है जो एक अंतिम निर्णायक के रूप में कार्य करता है। यह निर्णायक हजारों उदाहरणों से सीखता है ताकि "पास" और "फेल" के बीच एक रेखा खींची जा सके। यदि बोर्ड के पिनों का आकार एक स्वस्थ असेंबली के पैटर्न में फिट बैठता है, तो इसे हरी झंडी मिल जाती है; यदि आकार संकेत देते हैं कि बहुत अधिक टेढ़े पिन हैं, तो इसे अस्वीकृति के लिए चिह्नित किया जाता है।
शोधकर्ताओं ने इस पद्धति का परीक्षण छवियों के दो बहुत अलग सेटों पर किया ताकि यह देखा जा सके कि क्या यह वास्तविक दुनिया की विविधता को संभाल सकता है। पहला सेट एक औद्योगिक भागीदार से आया था जिसमें वास्तविक सर्किट बोर्डों की 827 उच्च-रिज़ॉल्यूशन वाली छवियां शामिल थीं, जिनमें से कुछ को टेढ़े पिनों को शामिल करने के लिए मैन्युअल रूप से बदला गया था। दूसरा सेट छवियों का एक सार्वजनिक संग्रह था जिसका स्वरूप पूरी तरह से अलग था, जिसमें पूर्ण बोर्डों के बजाय पिन समूहों के क्रॉप किए गए दृश्य दिखाए गए थे। दोनों ही मामलों में, सिस्टम ने उल्लेखनीय निरंतरता के साथ प्रदर्शन किया। औद्योगिक डेटा पर, इस पद्धति ने 0.990 के स्कोर के साथ अच्छे बोर्डों को खराब बोर्डों से सही ढंग से अलग किया, जहाँ 1.000 का अर्थ पूर्णता है। सार्वजनिक डेटासेट पर, इसने 1.000 का पूर्ण स्कोर प्राप्त किया। इसका अर्थ है कि परीक्षणों में, सिस्टम एक दोषरहित बोर्ड और एक दोषपूर्ण बोर्ड के बीच लगभग बिना किसी त्रुटि के अंतर करने में सक्षम था।
यह समझने के लिए कि इस नए दृष्टिकोण ने कितनी अच्छी तरह काम किया, टीम ने अन्य मौजूदा तरीकों के मुकाबले इसका परीक्षण किया। उन्होंने 'एनोमली डिटेक्शन' (विसंगति का पता लगाना) नामक एक तकनीक का परीक्षण किया, जो एक आदर्श बोर्ड के क्या रूप होते हैं उसे सीखकर और जो भी अलग दिखता है उसे त्रुटि के रूप में चिह्नित करके दोषों को खोजने का प्रयास करती है। उन्होंने एक ऐसे तरीके का भी परीक्षण किया जो प्रत्येक पिन को व्यक्तिगत रूप से खोजने और गिनने का प्रयास करता है, ठीक वैसे ही जैसे कोई व्यक्ति शेल्फ पर रखी वस्तुओं को गिनता है। जबकि इन वैकल्पिक तरीकों ने आशाजनक प्रदर्शन दिखाया, वे औद्योगिक छवियों की विशिष्ट चुनौतियों के साथ संघर्ष करते रहे या प्रभावी ढंग से काम करने के लिए उन्हें अलग प्रकार के डेटा की आवश्यकता थी। प्रस्तावित विधि, जो पहले चरण के विस्तृत मानचित्र बनाने और दूसरे चरण के सांख्यिकीय निर्णय को जोड़ती है, सबसे मजबूत साबित हुई। इसने वास्तविक कारखाने के फर्श की अव्यवस्थित, अप्रत्याशित प्रकाश स्थितियों और सार्वजनिक डेटासेट की विभिन्न दृश्य शैलियों को सफलतापूर्वक संभाला, बशर्ते इसे उस वातावरण के विशिष्ट डेटा पर प्रशिक्षित किया गया हो।
अध्ययन ने ऐसी तकनीक का उपयोग करने के व्यावहारिक पक्ष पर भी प्रकाश डाला। एक बड़े बोर्ड की तस्वीर लेने से लेकर पास-या-फेल का निर्णय लेने तक की पूरी प्रक्रिया में एक शक्तिशाली कंप्यूटर पर लगभग 18 सेकंड लगे। इसमें से अधिकांश समय पिनों का विस्तृत मानचित्र बनाने में लगा, जबकि अंतिम निर्णय एक सेकंड के अंश में लिया गया। शोधकर्ताओं ने उल्लेख किया कि हालांकि यह प्रणाली अत्यधिक सटीक है, लेकिन यह कोई जादुई समाधान नहीं है जो बिना तैयारी के किसी भी बोर्ड पर तुरंत काम कर सके। इसके लिए एक विशिष्ट प्रशिक्षण चरण की आवश्यकता होती है जहाँ यह अच्छे और बुरे बोर्डों के उदाहरणों से सीखता है, और इसका प्रदर्शन उन उदाहरणों की गुणवत्ता पर बहुत अधिक निर्भर करता है। हालाँकि, परिणाम बताते हैं कि आकृतियों के मानचित्रण और उनके सामूहिक सांख्यिकी के विश्लेषण का यह संयोजन विनिर्माण के भविष्य के लिए एक शक्तिशाली उपकरण है। यह उन सूक्ष्म, महंगी त्रुटियों को पकड़ने का एक तरीका प्रदान करता है जो अन्य निरीक्षण विधियों से बच सकती हैं, यह सुनिश्चित करते हुए कि हम जिन इलेक्ट्रॉनिक उपकरणों पर भरोसा करते हैं वे उस सटीकता के साथ बनाए गए हैं जिनकी उन्हें आवश्यकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।