Як вибрати систему AOI* (частина 2): час програмування проти FAR та FCR

04.10.2023 |

* AOI (Automatic optical Inspection) – Автоматизований оптичний контроль

У другій частині статті про вибір системи AOI ми зосереджуємося на часі програмування у зв’язку з помилковими тривогами та частотою помилкових спрацювань протягом тривалого періоду часу.

Єдиним етапом процесу автоматичного оптичного контролю, де проявляється «людський фактор», є процес програмування. Цей етап розкриває користувачеві весь спектр можливостей обладнання і вимагає від оператора вивчення методів пошуку дефектів. Крім того, саме на цьому етапі дві основні категорії систем AOI – ті, що базуються на аналізі зображень, і ті, що базуються на алгоритмі – різко відрізняються.

Час програмування AOI на основі аналізу зображення

AOI на основі аналізу зображень спочатку отримує банк зображень для програми, і програмування здається дуже гладким, оскільки машина вивчає перші плати. Але ми також повинні завжди запитувати себе, як цей процес насправді прогресує з часом? Захоплюючи зображення з перших кількох плат, машина навчається лише на зразках партії, що тестується. Коли ті самі друковані плати перевіряються вдруге чи втретє, програма виглядає стабільною та готовою до масового виробництва. Цей процес навчання повторюється для інших друкованих плат з іншою топологією, а додаткові програми створюються за допомогою методу вибірки. Для тих, хто не має досвіду роботи з AOI, ця система та її програмування здаються неймовірно швидкими та ефективними. При розробці програм для різних продуктів час програмування, як правило, є просто добутком кількості основного часу програмування та кількості проектів.

Час програмування AOI на основі алгоритму

Програмування AOI на основі алгоритму суттєво відрізняється від програмування систем на основі порівняння зображень (хоча слід зазначити, що програма на основі алгоритму може бути створена заздалегідь, поки друкована плата ще знаходиться на стадії проектування). На основі математичних і геометричних даних для кожного компонента та самої друкованої плати, на якій буде розміщено компонент, машина застосовує набір цих алгоритмів для виконання тесту, коли починається фактичний монтаж. Інформація про форму окремих компонентів міститься в загальній системній бібліотеці, яка пов’язана з поточними програмами, і загальний набір даних налаштований відповідно до конкретного випадку, щоб врахувати деякі неминучі зміни процесу в необхідному обсязі.

Цей процес налаштування часто розглядається як більш трудомісткий, ніж збір зображень і застосування їх до програмного забезпечення для порівняння зображень, але важливо зазначити, що під час програмування наступних продуктів ви використовуєте ту саму раніше створену бібліотеку і таким чином «відновлюєте» деякий час, витраченого на налаштування програми.

Порівнюючи час розробки для обох видів AOI від першого до останнього продукту можна зазначити, що він залишається незмінним у випадку AOI на основі аналізу зображень, але значно зменшується у випадку AOI на основі алгоритму.

Помилкова тривога та рівень помилкових спрацювань

Як згадувалося у вступі, системи AOI на основі аналізу зображень, як правило, швидко програмуються та показують чудові результати при коротких тиражах, тоді як машини на основі алгоритмів потребують більше часу на програмування. Однак, коли виробництво збільшується з кількох штук навіть до 30 або 40 плат, варто порівняти ці системи далі.

Помилкові спрацьовування та помилкові спрацювання є найбільш критичними змінними при розгляді машин AOI – виявлення дефектів є основною функцією будь-якого AOI. Системи на основі зображень, які покладаються на свій банк зображень, щоб відрізнити погані компоненти від хороших, повинні швидко збільшувати кількість зображень у банку, щоб врахувати мінливість процесу. У той же час система, заснована на аналізі зображень, дуже залежить від звичок оператора, який фіксує ці зображення і подає базу даних. Оцінка кожного позначеного елемента (хибний виклик або фактичний дефект) цією конкретною особою є ключем до розширення бази даних зображень і будь-яка помилка в цьому відношенні призводить до плутанини для всієї системи. Іншими словами, коли оператор класифікує зображення для використання як еталонний файл, він може помилково ідентифікувати дефектний елемент як хороший і навпаки. Щоб система AOI була ефективною в довгостроковій перспективі, AOI має усунути помилки оператора та точно відокремити погані компоненти від хороших.

Якщо ми побудуємо критерії для хороших і несправних компонентів за допомогою двох кривих Гауса, більш детальна та ефективна методологія AOI, заснована на алгоритмі, покаже чіткий розподіл між кривими, що представляють справні та несправні компоненти (див. графіки нижче). При використанні AOI на основі аналізу зображень на основі великої бази даних ризик нечітких критеріїв набагато більший, оскільки зображення справних і несправних компонентів часто виглядають дуже схожими для оператора. Крім того, оскільки оператор створює базу даних, будь-яке неправильне оцінювання призведе до збільшення «плутанини» і дві криві Гауса стають ближчими та накладаються одна на одну.

У випадку AOI на основі алгоритму, критерії визначаються з використанням геометричних величин і порогів, що забезпечує чітке відокремлення між хорошими і дефектними компонентами, незалежно від зміни процесу. Це забезпечує стабільний і надійний процес перевірки протягом усього терміну експлуатації виробу.

Щоб AOI на основі порівняння зображень підтримував свою вражаючу продуктивність на кількох платах (<50) у міру зміни процесу, основа бази даних зображень системи також повинна зростати зі збільшенням кількості різних захоплених зображень. Це розмиває критерії оцінки через людський фактор і призводить до поганих результатів у більш тривалих серіях виробництва, створюючи високий рівень помилкових викликів і помилкових спрацювань. З іншого боку, AOI на основі алгоритму, чиє програмне забезпечення базується на «твердих даних», пропонує дуже стабільне та надійне довгострокове рішення.

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