Як обрати систему AOI* (частина 1)

02.10.2023 |

* AOI (Automatic optical Inspection) – Автоматизований оптичний контроль

Оптика, камера та освітлення відіграють важливу роль у всіх машинах AOI, але справжньою відмінністю є програмне забезпечення, яке інтерпретує зроблені зображення.

Щоб уникнути нескінченного детального переліку всіх доступних програмних засобів перевірки AOI, ми зосередимося на найважливішому розподілі на дві категорії систем: AOI на основі зображень і AOI на основі алгоритму. Кожна технологія надає певну цінність процесу перевірки, яка може бути різною.

AOI на основі аналізу зображення 

AOI на основі аналізу зображень (цей тип машини також відомий як AOI на основі порівняння зображень) використовує необроблену інформацію або сітку пікселів, накладених на зображення. Ранні системи використовували техніку «відтінків сірого» для порівняння пікселів у досліджуваній області.

Малюнок 1. Зображення компонента в системі порівняння зображень.

На мал.1 ми бачимо той самий компонент у тій самій області аналізу, розташований під дещо іншим кутом. У разі використання попіксельного порівняння відтінків сірого друге зображення слід класифікувати як дефект через відсутність інформації про наявність компонентів для деяких пікселів. Як бачите, ця методологія має дуже низьку точність, особливо коли компонент перекошений.

Завдяки новим методам обробки зображень і розширеним обчислювальним можливостям технології, засновані на аналізі зображень, вдосконалилися. Більшість систем наразі використовують певну бібліотеку зображень, яка дозволяє програмному забезпеченню звертатися до відомих зображень правильно розміщеного компонента або порівнювати отримане зображення із зображенням несправного компонента та на цій основі виділяти дефектні компоненти. Тому результати тестування залежать від якості бази даних зображень, створеної на основі змонтованої друкованої плати.

Технології, засновані на зображенні, призначені для визначення компонента шляхом порівняння його зображення з набором відомих хороших і поганих зображень. У свою чергу, спектр методів порівняння коливається від найпростіших алгоритмів до нейронних мереж, але ключовий принцип завжди залишається незмінним: AOI запитує себе, чи схоже поточне зображення компонента на те, що є в моїй базі даних?

Після першого такого порівняння машина відповість: «Так, це виглядає як хороший компонент» або «Ні, мені потрібно порівняти його з наступним зображенням». Порівняння триває, доки не буде знайдено відповідне зображення або остаточно не буде визначено, що компонент є дефектним.

Через високу варіативність процесу системи, засновані на аналізі зображень, проводять порівняння на основі великої бази даних, що постійно зростає, а це негативно впливає на швидкість процесу. Деякі з цих систем компенсують розширений робочий цикл шляхом створення статистичних моделей мінливості системи та високої швидкості захоплення зображення. У цьому методі величезний банк даних спрощується шляхом обчислення середнього значення та стандартного відхилення для кожного пікселя і на цій основі проводиться порівняння з фактично зробленим зображенням. Однак це має певний підводний камінь: AOI знімає нові зображення знову і знову, з новими відхиленнями, додає їх до бази даних, і «усереднене» зображення стає все більш заплутаним, навіть призводячи до ситуації, коли система більше не може правильно зрозуміти, вирішити, чи правильно розміщено компонент чи ні.

AOI на основі алгоритму

Ці типи систем використовують технологію розпізнавання зображень і визначають місцезнаходження компонента в області, що аналізується. Замість того, щоб порівнювати одне зображення з іншим, система застосовує шаблон (тобто геометричну модель або її контур) і знаходить його в певному полі.

У цій техніці компонент розпізнається лише за його формою, а не за відтінками сірого чи інформацією про окремі пікселі. Крім того, цей метод забезпечує більшу точність, оскільки немає необхідності порівнювати пікселі або брати до уваги змінність процесу. Незначні зміни кольору компонента або друкованої плати не впливають на здатність системи розпізнавати несправний компонент. Для цієї технології потрібно визначити модель і зв’язати її з компонентом – на мал.2 показано два способи визначення компонента 0201 або 01005.

Малюнок 2: Шаблон можна визначити складнішим способом (a) або просто вказавши форму компонента (b).

Після того, як інформація про візерунок збережена в системі, система зору аналізує зображення в реальному часі, щоб знайти шаблон у певному місці, яке, у свою чергу, визначається його координатами X/Y/Theta. Існує кілька методів локалізації, але найефективнішим є метод векторної візуалізації, у якому система зору виділяє межі компонента через ряд векторів.

Використовуючи математичну інтерполяцію та субпіксельну роздільну здатність, вектори точніше представляють форму компонента, ніж сітка пікселів. Це забезпечує набагато більшу точність під час зіставлення компонента з бібліотекою компонентів системи. Під час перевірки паяних з’єднань, піднятих проводів, перемичок або розташування компонента (корпусу компонента) визначення правильного розташування компонентів є особливо важливим і вимагає найвищого рівня точності.

Ключові фактори для розуміння відмінностей

Яке значення в електронній промисловості має система, заснована на аналізі зображень чи алгоритмах? Враховуючи, що основною метою використання AOI є зменшення кількості дефектів друкованих плат, система, перш за все, повинна ефективно виявляти всі дефектні компоненти на етапі виробництва. Досвід показує, що за певних обставин AOI може пропускати деякі дефекти. Зазвичай це вимірюється коефіцієнтом помилкових прийомів (false accept rate, FAR), вираженим у ppm (parts per million, частках на мільйон) і розрахованим як відношення кількості помилкових прийомів до кількості протестованих компонентів.

Часто FAR пов’язують з іншим показником, який називається частотою помилкових викликів (false calls rate, FCR), який вимірює в частках на мільйон кількість дійсних компонентів, які система повідомляє як несправні. FCR має прямий вплив на хід і якість процесу. Якщо рівень помилкових викликів занадто високий, система, швидше за все, пропустить справжні дефекти. Це пояснюється тим, що через велику кількість помилкових тривог втомлений оператор може пропустити справжній дефект.

Час циклу (cycle time, CT) також має вирішальне значення, оскільки AOI не має бути вузьким місцем процесу SMT. Бувають випадки дезактивації деяких необхідних тестів AOI для досягнення бажаного часу циклу.

Більшість потенційних покупців AOI розглядають час програмування AOI (programming time, PT) як ключовий фактор при виборі машини. Час програмування включає перетворення даних із САПР у робочий файл програмного забезпечення системи контролю, а також налаштування програми для компенсації мінливості виробничого процесу.

Іншими ключовими факторами вибору є портативність програми (program portability, PP) і контроль процесів (process control, PC). Перший фактор, PP, має велике значення для користувачів, які будуть запускати кілька конвеєрних ліній друкованих плат. Коли виникає потреба перенести виробництво з лінії 1 на лінію 2, надзвичайно важливою є можливість використовувати ту саму програму AOI без трудомістких модифікацій. Другий фактор, PC, має вирішальне значення для клієнтів, які хочуть не лише виявляти помилки, але й покращувати виробничий процес, знаходячи першопричину помилок. Такі властивості AOI, як точність і повторюваність, важливі для обох цих ключових факторів.

У наступних частинах серії ми представимо детальні міркування щодо впливу методу розпізнавання зображень на час програмування, швидкості FAR та FCR, тривалість циклу, портативність програми та контроль процесом.

За матеріалами сайту https://tek.info.pl