您的位置>首页>新闻动态> 电子行业解决方案

发布时间: 2020-12-10    浏览量:325

最近新闻传出,全球顶尖的光刻机巨头荷兰LSML公司已成功设计出1nm光刻机工艺,并且最快2022年可以量产。我们都知道,光刻机是制造芯片必需的设备,也是目前人类能掌握的最尖端的技术!台积电和三星都具备了量产5nm芯片的实力,而这正是因为得到了ASML的EUV光刻机的支持,否则它们的制造技术也只是纸上谈兵。


image.png


光刻机是用来制作芯片的,而芯片的最大用武之地,就是电子行业。随着消费者对电子产品的轻薄度越来越看重,其所需产品零件也要求越做越小。除了要求前端技术不断更新迭代,也必须要求后端的生产加工环节全面实现自动化,无人化。


image.png


再加上对制造成本效益要求的提高,各企业都在加紧部署智能制造。因此机器视觉在电子硬件制造行业的应用变得十分重要且广泛。


但是还有一些应用,特别是半导体和移动设备行业,由于其复杂性和编程成本使得难以实现自动化。对于这些情况,通常还是会聘用人类检查员作为一种折中方案来处理涉及各种零件、部件和场景的判断式决策。但人类检查员效率低,且疲劳时易产生错误,而大量使用人工对于企业来说也是很大的成本支出。

 

出于这些原因,越来越多的电子产品制造商开始寻找能将人类思想的灵活性与计算机的稳定性完美结合的检测解决方案,以获得快速且高度可靠的检测结果。因此深度学习解决方案应运而生。


康耐视VIDI深度学习解决方案可谓给电子行业的检测、条码读取和分类任务带来了革命性的变化,现在就跟着我们一起来了解它的神奇之处!


功能一:探测细微缺陷

装配的印刷电路板 (PCB) 需要精密焊接组件才能保证电流的正常流动。极小的缺陷也可能造成干扰和故障。因此缺陷探测有非常关键的意义。传统焊接质量的视觉检测往往会因为焊接过程的眩光影响成像质量,从而造成软件的误判。


自动化检测系统即使在苛刻的图像质量条件下也不会被零件间的明显差异(例如过焊和焊接不足)影响。康耐视深度学习解决方案能够固定目标检测区域并检查零件之间有很大差异的焊缝,无需使用耗时、繁琐甚至无法实现的规则式编程。


VIDI深度学习缺陷探测工具使用有代表性的“好”(即,合格)和“差”(不合格)标记图像进行训练后,可学习识别各种焊接缺陷。康耐视深度学习解决方案可根据这些图像建立焊缝正常外观的参考模型,并避免受到成像问题和眩光造成的外观差异的影响。


image.png


功能二:识别严重变形的光学字符

和电子组件及模块上印刷的字母数字字符类似,芯片上印刷的序列号也容易产生变形、歪斜和蚀刻质量差等问题。这些特征给传统 OCR 工具带来了极大的挑战,因为它们需要学习大量的字体和字符及其相应的各种外观。


即使是最好的工具——允许用户一步完成整个字符串的训练、删除单个字符、学习同一字符的多个实例、以及将训练的字体载入或保存到新应用程序中,也非常费时,而且还可能仍然无法识别变形严重的字符。


深度学习工具使用预先训练的库识别和验证字符,即使它们的外观发生变化也没有问题,所以测试和验证期间只需要在系统中对缺失的字符进行重新训练即可。这使检测系统有更好的开箱即用准确性,并且能最大程度地减少了因重新训练而导致的停机时间。


image.png


功能三:灵活正确的装配验证

装配验证因为要考虑很多组件,所以是一种非常难以自动化的应用。这些组件都需要验证,例如是否存在、安装正确、以及朝向。这些检测可能是二维或三维的,具体取决于子组件。


PCB 的最终装配验证就是一个典型示例,它上面有 LED、微处理器、以及焊接在上面的其他表面安装设备。检测系统负责检查缺失的组件以及可能未正确放置的零件,因为这种错误可能会影响 PCB 的性能和寿命。


虽然机器视觉系统可以针对多个目标检测区域进行训练并学习识别各个组件,但是灯光对比度、视角和方向的变化或眩光造成的外观差异仍然会困扰系统。高度集成的 PCB 更是如此,其组件非常紧密,机器视觉系统可能难以区分各个组件,导致它无法正确地完成检测。虽然人类检测员可以区分各个组件,但他们完全无法满足高吞吐量的需求。


使用规则式算法编程这些检测非常费时而且容易出错,更不用说现场维护极为困难。幸运的是,康耐视深度学习解决方案不但可以媲美人类的灵活性、分辨能力和判断力,而且有计算机的速度和稳定性。


使用一系列标记的参考范例进行训练后,这种工具即可构造出装配完成的 PCB 板的参考模型。该模型可以根据组件的一般大小、形状和特征来识别它们,即使它们的外观在检测过程中肯定会发生变化,康耐视深度学习解决方案也能预测它们在电路板上的位置。检测时,深度学习解决方案可以识别多个目标检测区域以定位、统计和检查组件,确保它们存在并且装配正确。


image.png


功能四:自动分类

机器视觉有其固有的限制,包括分类能力。这在电子应用中会成为负担,因为某些组件需要在识别后分成多个类,且检测系统不能受到某些视觉差异的影响。


电容器就是组件随类型(陶瓷和电气)及尺寸(大和小)和颜色(金色和非金色)变化的典型范例。需要分选电容器的制造商要解决一个困难的任务,就是识别一张图像中的多个分类——例如黑色标记的金色陶瓷电容器或蓝色标记的金色电气电容器。检测系统要能根据制造商的标准分选组件,从而按颜色和标记区分电容器,同时忽略其他标准。


要自动完成这个任务,检测应用工程师就必须使用深度学习。对在监督模式下运行的深度学习软件进行训练后,不但可以检测选定的特征配组(例如金色和电气电容器),还能区分各个电容器的单个特征(金色、黑色或蓝色标记),同时忽略同一类型的其他差异。康耐视深度学习解决方案可以准确地分类和分选一张图像中某种组件的多个类型——相对机器视觉来说这是一个巨大的优势。


image.png


自动化生产流程和提高质量是电子行业的两个最大的需求,但是某些应用对于规则式算法来说过于复杂和耗时。


VIDI深度学习解决方案利用图像分析人工智能的力量,解决了元件定位、外观检测、分类和字符识别相关的电子应用难题。