Quality Inspection of Printed Circuit Board Pin Insertion via Semantic Segmentation and Board-Level Feature Extraction
Questo articolo propone un metodo automatizzato di ispezione della qualità per l'inserimento dei pin nei circuiti stampati che combina la segmentazione semantica basata su U-Net con l'estrazione di caratteristiche derivate dai contorni e la regressione logistica, raggiungendo un'accuratezza di classificazione quasi perfetta sia su dataset industriali che pubblici, superando al contempo gli approcci allo stato dell'arte di rilevamento delle anomalie e segmentazione delle istanze.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel caos controllato e silenzioso di una moderna fabbrica, un circuito stampato si muove lungo un nastro trasportatore. È un sottile rettangolo verde, l'ossatura di innumerevoli dispositivi elettronici, in attesa di ricevere centinaia di minuscoli pin metallici. Questi pin sono i connettori vitali che permettono all'elettricità di scorrere tra la scheda e il resto del mondo. Se anche un solo pin è inclinato o spinto con l'angolazione errata, l'intero dispositivo potrebbe guastarsi, portando a riparazioni costose o malfunzionamenti pericolosi. Per decenni, garantire che questi pin fossero perfettamente dritti si è basato su telecamere rigide e illuminazione fissa, o su occhi umani che possono stancarsi e perdere di vista errori sottili. Ora, un nuovo approccio emerge dall'intersezione tra l'intelligenza artificiale e il controllo qualità industriale. Invece di cercare di programmare un computer con una lunga lista di regole su come debba apparire un pin "buono", i ricercatori stanno insegnando alle macchine a vedere la scheda come farebbe un essere umano: riconoscendo la forma e la dimensione di ogni singolo pin, e usando poi quell'informazione visiva per decidere se l'intera scheda è pronta per l'uso.
La sfida centrale in questo lavoro è che un pin inclinato non sempre appare drasticamente diverso da uno dritto. A volte la differenza è solo una questione di pochi pixel, un leggero spostamento dell'ombra o un minuscolo cambiamento nell'area superficiale visibile alla telecamera. Per risolvere questo problema, un team di ricercatori della Technical University of Applied Sciences di Regensburg ha sviluppato un sistema che suddivide il problema in due fasi distinte. In primo luogo, il sistema utilizza un tipo di intelligenza artificiale chiamata segmentazione semantica per creare una mappa precisa della scheda. Immaginate questo come un libro da colorare digitale dove il computer viene istruito a colorare ogni singolo pin con una specifica tonalità, separandolo chiaramente dalla scheda verde e dall'aria circostante. Questo processo trasforma una fotografia complessa in un contorno pulito, in bianco e nero, di ogni pin metallico sulla scheda.
Una volta che il computer ha questa mappa chiara, non si ferma a esaminare ogni pin individualmente. Inveve, fa un passo indietro per guardare la scheda nel suo insieme. I ricercatori si sono resi conto che un pin inclinato copre solitamente una superficie maggiore rispetto a uno dritto perché viene visto da un'angolazione. Misurando la dimensione e la forma dei contorni di ogni pin sulla scheda, il sistema calcola statistiche semplici: la dimensione media dei pin, quanto variano le loro dimensioni e il pin più grande trovato. Questi numeri vengono poi inseriti in un secondo programma informatico più semplice che agisce come giudice finale. Questo giudice impara da migliaia di esempi per tracciare una linea tra "passa" e "non passa". Se le dimensioni dei pin della scheda rientrano nel modello di un assemblaggio sano, riceve il via libera; se le dimensioni suggeriscono troppi pin inclinati, viene segnalata per il rifiuto.
I ricercatori hanno testato questo metodo su due set di immagini molto diversi per vedere se potesse gestire la varietà del mondo reale. Il primo set proveniva da un partner industriale e conteneva 827 immagini ad alta risoluzione di circuiti stampati reali, alcuni dei quali erano stati alterati manualmente per includere pin inclinati. Il secondo set era una collezione pubblica di immagini con un aspetto completamente diverso, caratterizzata da viste ritagliate di gruppi di pin piuttosto che schede intere. In entrambi i casi, il sistema ha operato con una costanza notevole. Sui dati industriali, il metodo ha separato correttamente le schede buone da quelle difettose con un punteggio di 0,990 su una scala dove 1,000 è il valore perfetto. Sul dataset pubblico, ha raggiunto un punteggio perfetto di 1,000. Ciò significa che, nei test, il sistema è stato in grado di distinguere tra una scheda impeccabile e una difettosa quasi senza errori.
Per capire quanto bene avesse funzionato questo nuovo approccio, il team lo ha confrontato con altri metodi esistenti. Hanno testato una tecnica chiamata rilevamento delle anomalie, che cerca di trovare i difetti imparando come appare una scheda perfetta e segnalando qualsiasi cosa appaia diversa. Hanno anche testato un metodo che cerca di trovare e contare ogni singolo pin, in modo simile a come una persona potrebbe contare degli oggetti su uno scaffale. Sebbene questi metodi alternativi mostrassero potenziale, faticavano maggiormente con le sfide specifiche delle immagini industriali o richiedevano tipi di dati diversi per funzionare efficacemente. Il metodo proposto, che combina la creazione di mappe dettagliate della prima fase con il giudizio statistico della seconda, si è dimostrato il più robusto. Ha gestito con successo le condizioni di illuminazione disordinate e imprevedibili di un vero pavimento di fabbrica e i diversi stili visivi del dataset pubblico, a patto di essere addestrato su dati specifici per quell'ambiente.
Lo studio ha inoltre evidenziato l'aspetto pratico dell'uso di tale tecnologia. L'intero processo, dal prendere una foto di una scheda grande al prendere una decisione di approvazione o rifiuto, ha richiesto circa 18 secondi su un computer potente. La maggior parte di questo tempo è stata impiegata per creare la mappa dettagliata dei pin, mentre la decisione finale è stata presa in una frazione di secondo. I ricercatori hanno osservato che, sebbene il sistema sia altamente accurato, non è una soluzione magica che funziona istantaneamente su qualsiasi scheda senza preparazione. Richiede una fase di addestramento specifica in cui impara dagli esempi di schede buone e cattive, e le sue prestazioni dipendono fortemente dalla qualità di tali esempi. Tuttavia, i risultati suggeriscono che questa combinazione di mappatura delle forme e analisi delle loro statistiche collettive è uno strumento potente per il futuro della produzione. Offre un modo per individuare errori minuscoli e costosi che potrebbero sfuggire ad altri metodi di ispezione, garantendo che i dispositivi elettronici di cui facciamo affidamento siano costruiti con la precisione di cui necessitano.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.