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

In de fabrieken die de elektronica van de wereld bouwen, kan een kleine fout een fortuin kosten. Een enkel ontbrekend chipje op een printplaat, een vlekje soldeertin waar het niet hoort, of een component die iets scheef geplaatst is, kan een apparaat onbruikbaar maken. Decennialang was de oplossing om menselijke ogen elke plaat te laten scannen, een langzame en uitputtende taak waarbij vermoeidheid onvermijdelijk leidde tot gemiste fouten. Toen kwamen er machines die konden zien, gebruikmakend van camera's en software om te vergelijken wat ze zagen met een perfect sjabloon. Maar deze vroege machines waren rigide; als een plaat een klein beetje verschoof of het licht veranderde, raakte de machine in de war, waardoor goede onderdelen werden afgekeurd of slechte onderdelen werden gemist. De volgende stap in deze evolutie was om de machines een brein te geven dat kon leren, net zoals een mens dat doet, om patronen en defecten te herkennen zonder een perfect, onveranderlijk sjabloon nodig te hebben. Deze verschuiving van rigide regels naar flexibel leren is de kern van moderne industriële automatisering, en belooft een toekomst waarin fabrieken sneller, schoner en met minder fouten draaien.

Een team van onderzoekers aan de Michigan Technological University heeft een werkend model van deze toekomst gebouwd, een compleet systeem dat printplaten inspecteert en ze automatisch sorteert zonder menselijke hulp. Ze hebben niet alleen een computerprogramma geschreven om fouten te vinden; ze hebben een fysieke werkstation gebouwd waar een camera, een controller, een robot en een monitoringscherm allemaal samenwerken als één eenheid. Het systeem gebruikt een slimme camera uitgerust met kunstmatige intelligentie om naar printplaten te kijken die over een transportband bewegen. Wanneer de camera een plaat detecteert, stopt het de band, maakt een foto en beslist direct of de plaat goed of slecht is. Als de plaat defect is, reikt een robotarm naar beneden en verwijdert deze; als de plaat goed is, start de band weer en beweegt de plaat verder. De onderzoekers bewezen dat deze hele keten van gebeurtenissen — van de camera die de plaat ziet tot de robot die deze verplaatst — betrouwbaar kan plaatsvinden, zelfs wanneer er meerdere platen tegelijkertijd op de band liggen.

De kern van hun prestatie ligt in de manier waarop ze de informatiestroom hebben beheerd. In een drukke fabriek stoppen platen niet één voor één; ze reizen vaak in een stroom. Dit creëert een lastig probleem: als een camera een plaat inspecteert en de band vervolgens beweegt, hoe weet de robot dan welke plaat hij later moet oppakken? Als het systeem in de war raakt, kan het een goede plaat weggooien of een slechte plaat achterlaten. De onderzoekers losten dit op door een digitale wachtrij te gebruiken, een methode om inspectieresultaten in de exacte volgorde waarin ze aankomen vast te houden, zoals een rij mensen die wachten op een kaartje. Wanneer een plaat bij de camera aankomt, wordt het resultaat achteraan de rij geplaatst. Wanneer diezelfde plaat bij de robotstation aankomt, neemt het systeem het resultaat van de voorkant van de rij en gebruikt het om de robot te vertellen wat hij moet doen. Dit zorgt ervoor dat elke plaat wordt beoordeeld op basis van zijn eigen inspectieverslag, ongeacht hoeveel andere platen er omheen bewegen.

Om dit systeem te testen, richtte het team een echte omgeving in met een transportband, twee sensoren om te detecteren wanneer een plaat arriveert, een slimme camera en een zes-assige robotarm. Ze trainden de kunstmatige intelligentie van de camera om geïntegreerde schakelingen te herkennen, wat de kleine zwarte chips zijn die de hersenen van de printplaat vormen. De camera werd geleerd om naar de specifieke vormen van deze chips te kijken en ze te tellen. Als de camera het juiste aantal chips zag, markeerde het de plaat als geslaagd. Als de camera minder chips dan verwacht zag, of als de chips op de verkeerde plek zaten, markeerde het de plaat als gefaald. Het systeem werd ontworpen om de rommelige realiteit van een fabrieksvloer aan te kunnen, waar platen misschien niet elke keer op exact dezelfde plek stoppen of waar de verlichting licht kan variëren.

De resultaten toonden aan dat het systeem werkte zoals bedoeld. In een reeks tests met veertienentien printplaten identificeerde het systeem correct welke goed en welke slecht waren. Het maakte succesvol onderscheid tussen platen die al hun componenten hadden en platen die er enkele misten. De camera deed minder dan een seconde over het nemen van een beslissing, en de robotarm bewoog met precisie om de platen te sorteren. De onderzoekers ontdekten dat het systeem bijzonder goed was in het afhandelen van de fysieke beweging van de platen; de digitale wachtrij raakte nooit de controle kwijt over welke resultaten bij welke plaat hoorden, zelfs niet wanneer de transportband meerdere items verplaatste. De robotarm, geleid door zijn eigen visionsysteem, was in staat de platen op te pakken en in de juiste bakken te plaatsen, of dat nu betekende dat een goede plaat verder werd gestuurd of een slechte plaat in een afkeurbak werd gegooid.

De onderzoekers merkten echter voorzichtig op dat dit een prototype was, een werkend model gebouwd om het concept te bewijzen in plaats van een afgewerkt product dat klaar is voor een massale fabriek. Hoewel het systeem een nauwkeurigheid van ongeveer tachtig procent behaalde in hun specifieke tests, erkenden zij dat het nog niet perfect is. Het systeem had wat moeite wanneer de platen niet elke keer precies op dezelfde manier gepositioneerd waren, en de snelheid van de transportband was beperkt omdat de band moest stoppen zodat de camera een foto kon maken. Dit zijn praktische hindernissen die opgelost zouden moeten worden voordat een dergelijk systeem op de hoge snelheden van een grote elektronicafabrikant zou kunnen draaien. Het team merkte ook op dat het kunstmatige intelligentiemodel getraind was op een relatief kleine set afbeeldingen, wat de mogelijkheid beperkte om elk mogelijk type defect of lichtomstandigheid aan te pakken.

Ondanks deze beperkingen toonde het project aan dat het mogelijk is om geavanceerde kunstmatige intelligentie te combineren met standaard fabrieksuitrusting om een volledig geautomatiseerde inspectielijn te creëren. Het systeem vertrouwde niet op één krachtige computer in een verre serverruimte; in plaats daarvan leefde de intelligentie binnen de camera zelf, waardoor beslissingen lokaal en direct werden genomen. Deze aanpak maakte het mogelijk voor de camera om rechtstreeks met de fabriekcontroller te communiceren, die vervolgens de robot vertelde wat hij moest doen. Het hele proces werd gemonitord op een scherm dat de status van elk onderdeel van het systeem in realtime weergaf, waardoor een menselijke operator in één oogopslag precies kon zien wat er gebeurde. Deze integratie van slimme visie, logische besturing en fysieke sortering vertegenwoordigt een belangrijke stap voorwaarts in de manier waarop fabrieken de kwaliteit kunnen waarborgen. Het laat zien dat de kloof tussen hoogwaardig onderzoek en de daadwerkelijke machines op een fabrieksvloer kleiner wordt, wat ons dichter bij een wereld brengt waarin machines niet alleen defecten kunnen zien, maar ze ook kunnen begrijpen en het probleem zonder menselijk ingrijpen kunnen oplossen.