PCB检测新方案收藏

   自动光学检测（AOI）是一种自动化的视觉检测技术，在印刷电路板（PCB）检测中，其涉及扫描PCB的表面以获取清晰图像AOI系统可以检测多种类型的PCB缺陷，包括短路、铜过多或不足、开路、划痕、毛刺、铜渣、组件缺失和变形等。

   由于存在许多表面缺陷，因此与常规的电子元件检测相比，PCB的检测可能更加困难，并且还经常需要第二次手动筛选，以在PCB返回产品线之前区分真实缺陷和误报的缺陷。

   该AI缺陷检查系统由中国台湾碁仕科技股份有限公司（G4 Technology）设计，它利用机器视觉相机和深度学习软件，来准确地对PCB缺陷进行检查、探测、标记和分类与传统的机器视觉技术相比，该系统可以分析复杂的图像，提高图像分析能力和自动视觉检测的准确性，并对缺陷进行自动分类。

   该视觉系统包括一台Allied Vision公司的相机、一个富士胶片公司的高分辨率镜头和SUALAB公司的SuaKIT深度学习软件系统中的相机型号是Manta G-032C，其基于30万像素的Sony ICX424彩色CCD传感器，像素尺寸为7.4µm，全分辨率下的帧率可达80.7fps。

   根据碁仕科技的总经理Ken Chou介绍，之所以选择这款相机是因为其高帧率，以及这款相机与AI检测算法的匹配性，这归因于相机的高质量和高稳定性    在深度学习软件中，基于范例的算法使用可接受和不可接受产品的图像进行训练，这与基于规则的算法要求手动设置缺陷标准不同。

SuaKIT通过分析产品上的各种缺陷（分割），对图像分类并按缺陷类型分类（分类），然后按类别探测图像中的每个目标对象（探测），来检查缺陷区域    为了实现缺陷检测，SuaKIT的算法被训练了大约100张正常和有缺陷产品的图像，能在大约15分钟的时间内建立神经网络。

此后，由于相机的高帧率，每秒可以在生产线上收集和处理80张图像，从而使该软件能够自动学习和分析缺陷标准，并区分正常产品和缺陷产品的图像    在深度学习算法的初始阶段，所需的图像数据会随图像的复杂性而变化。

通常需要50~100张图像，才能使系统可以处理客户特定的缺陷标准在这种情况下，使用深度学习软件能够替代人工视觉检查的需求，可以将人员转移或部署到工厂的其他制造流程或任务中，从而提高整体生产率    据SUALAB介绍，该软件不需要按实例进行编码，而是通过收集和输入缺陷数据进行自学习来运行。

该软件在设计上还实现了可以通过CUDA（计算统一设备架构）技术，利用GPU高速处理数据    在部署了SuaKIT深度学习软件的类似应用中，使用常规的机器视觉检测方法（即模式匹配算法）来识别有缺陷的PCB产品，准确性低于40％。

过度检测率也很高，即使在完成自动检测后，也至少需要三名手工检查人员SUALAB前全球业务经理Hanjun Kim介绍，SuaKIT在此应用中的检测准确性达到了97.4％

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。