Quality Inspection of Printed Circuit Board Pin Insertion via Semantic Segmentation and Board-Level Feature Extraction
Dit artikel stelt een geautomatiseerde kwaliteitsinspectiemethode voor voor de pininsertie van printplaten die U-Net-gebaseerde semantische segmentatie combineert met op contouren gebaseerde kenmerkextractie en logistische regressie, waarbij een bijna perfecte classificatienauwkeurigheid wordt bereikt op zowel industriële als publieke datasets terwijl het staat-van-de-kunst anomaliedetectie- en instantiesegmentatiebenaderingen overtreft.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de stille, gecontroleerde chaos van een moderne fabriek beweegt een printplaat over een transportband. Het is een dunne, groene rechthoek, de ruggengraat van talloze elektronische apparaten, wachtend om honderden minuscule metalen pinnetjes te ontvangen. Deze pinnetjes zijn de vitale verbindingen die ervoor zorgen dat elektriciteit kan stromen tussen de plaat en de rest van de wereld. Als zelfs maar één pinnetje scheef staat of onder een verkeerde hoek is ingedrukt, kan het hele apparaat falen, wat leidt tot kostbare reparaties of gevaarlijke defecten. Decennialang vertrouwde het waarborgen dat deze pinnetjes perfect recht staan op rigide camera's en vaste verlichting, of op menselijke ogen die kunnen vermoeien en subtiele fouten kunnen missen. Nu komt er een nieuwe aanpak naar voren op het snijvlak van kunstmatige intelligentie en industriële kwaliteitscontrole. In plaats van te proberen een computer te programmeren met een lange lijst regels over hoe een "goed" pinnetje eruitziet, leren onderzoekers machines om de plaat te zien zoals een mens dat zou doen: door de vorm en grootte van elk afzonderlijk pinnetje te herkennen, en vervolgens die visuele informatie te gebruiken om te beslissen of de hele plaat klaar is voor gebruik.
De kernuitdaging in dit werk is dat een scheef pinnetje er niet altijd drastisch anders uitziet dan een recht pinnetje. Soms is het verschil slechts een kwestie van een paar pixels, een lichte verschuiving in de schaduw, of een minuscule verandering in het zichtbare oppervlak voor de camera. Om dit op te lossen, heeft een team onderzoekers aan de Technische Universiteit van Toegepaste Wetenschappen Regensburg een systeem ontwikkeld dat het probleem opsplitst in twee duidelijke stappen. Eerst gebruikt het systeem een vorm van kunstmatige intelligentie genaamd semantische segmentatie om een nauwkeurige kaart van de plaat te maken. Stel je dit voor als een digitale kleurplaat waarbij de computer wordt geleerd om elk pinnetje een specifieke tint te geven, waardoor het duidelijk wordt gescheiden van de groene plaat en de omringende lucht. Dit proces verandert een complexe foto in een strakke, zwart-wit contour van elk metalen pinnetje op de plaat.
Zodra de computer deze duidelijke kaart heeft, stopt hij niet om naar elk pinnetje afzonderlijk te kijken. In plaats daarvan doet hij een stap terug om naar de plaat als geheel te kijken. De onderzoekers realiseerden zich dat een scheef pinnetje meestal een groter oppervlak beslaat dan een recht pinnetje, omdat het vanuit een hoek wordt bekeken. Door de grootte en vorm van de contouren van elk pinnetje op de plaat te meten, berekent het systeem eenvoudige statistieken: de gemiddelde grootte van de pinnetjes, hoeveel hun groottes variëren, en het grootste gevonden pinnetje. Deze getallen worden vervolgens gevoed aan een tweede, eenvoudiger computerprogramma dat fungeert als een definitieve rechter. Deze rechter leert van duizenden voorbeelden om een lijn te trekken tussen "geslaagd" en "gefaald". Als de pinformaties van de plaat voldoen aan het patroon van een gezonde assemblage, krijgt de plaat groen licht; als de formaties suggereren dat er te veel scheve pinnetjes zijn, wordt de plaat gemarkeerd voor afkeuring.
De onderzoekers testten deze methode op twee zeer verschillende sets afbeeldingen om te zien of het systeem een dergelijke variëteit in de echte wereld kon aan kunnen. De eerste set kwam van een industriële partner en bevatte 827 hoogresolutie-afbeeldingen van werkelijke printplaten, waarvan sommige handmatig waren aangepast om scheve pinnetjes te bevatten. De tweede set was een publieke collectie afbeeldingen met een totaal andere uitstraling, bestaande uit uitgesneden weergaven van groepen pinnetjes in plaats van volledige platen. In beide gevallen presteerde het systeem met opmerkelijke consistentie. Op de industriële gegevens scheidde de methode goede platen van slechte platen met een score van 0,990 op een schaal waarbij 1,000 perfect is. Op de publieke dataset behaalde het een perfecte score van 1,000. Dit betekent dat het systeem in de tests in staat was om een foutloze plaat van een defecte plaat te onderscheiden, bijna zonder fouten.
Om te begrijpen hoe goed deze nieuwe aanpak werkte, vergeleken de onderzoekers het met andere bestaande methoden. Ze testten een techniek genaamd anomaliedetectie, die probeert defecten te vinden door te leren hoe een perfecte plaat eruitziet en alles te markeren dat er anders uitziet. Ze testten ook een methode die probeert elk pinnetje afzonderlijk te vinden en te tellen, vergelijkbaar met hoe een persoon artikelen op een plank zou tellen. Hoewel deze alternatieve methoden veelbelovend waren, hadden ze meer moeite met de specifieke uitdagingen van de industriële afbeeldingen of vereisten ze andere typen data om effectief te werken. De voorgestelde methode, die de gedetailleerde kaartvorming van de eerste stap combineert met de statistische beoordeling van de tweede, bleek de meest robuuste te zijn. Het ging succesvol om met de rommelige, onvoorspelbare lichtomstandigheden van een echte fabrieksvloer en de verschillende visuele stijlen van de publieke dataset, mits het getraind was op data die specifiek voor die omgeving is.
De studie benadrukte ook de praktische kant van het gebruik van dergelijke technologie. Het gehele proces, van het maken van een foto van een grote plaat tot het nemen van een pass-of-fail beslissing, duurde ongeveer 18 seconden op een krachtige computer. Het grootste deel van die tijd werd besteed aan het maken van de gedetailleerde kaart van de pinnetjes, terwijl de uiteindelijke beslissing in een fractie van een seconde werd genomen. De onderzoekers merkten op dat hoewel het systeem zeer accuraat is, het geen magische oplossing is die direct op elke plaat werkt zonder voorbereiding. Het vereist een specifieke trainingsfase waarin het leert van voorbeelden van goede en slechte platen, en de prestaties hangen sterk af van de kwaliteit van die voorbeelden. De resultaten suggereren echter dat deze combinatie van het in kaart brengen van vormen en het analyseren van hun collectieve statistieken een krachtig hulpmiddel is voor de toekomst van de productie. Het biedt een manier om kleine, kostbare fouten te vangen die andere inspectiemethoden zouden kunnen missen, waardoor de elektronische apparaten waar we op vertrouwen worden gebouwd met de precisie die ze vereisen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.