Конец

Том 12 научных докладов, номер статьи: 12559 (2022 г.) Цитировать эту статью

5850 Доступов

12 цитат

14 Альтметрика

Подробности о метриках

Мы сообщаем о полной системе глубокого обучения, использующей одношаговую модель обнаружения объектов, чтобы быстро и точно обнаруживать и классифицировать типы производственных дефектов, присутствующих на печатных платах (PCB). Мы описываем полную архитектуру модели и сравниваем ее с текущим состоянием, используя тот же набор данных о дефектах печатной платы. Эти методы тестирования включают сверточную нейронную сеть на основе более быстрых регионов (FRCNN) с ResNet50, RetinaNet и You-Only-Look-Once (YOLO) для обнаружения и идентификации дефектов. Результаты показывают, что наш метод достигает средней средней точности 98,1% (mAP[IoU = 0,5]) на тестовых образцах с использованием изображений с низким разрешением. Это на 3,2% лучше, чем современное использование изображений с низким разрешением (YOLO V5m) и на 1,4% лучше, чем современное использование изображений с высоким разрешением (FRCNN-ResNet FPN). Несмотря на более высокую точность, наша модель также требует примерно в 3 раза меньше параметров модели (7,02M) по сравнению с современными FRCNN-ResNet FPN (23,59M) и YOLO V5m (20,08M). В большинстве случаев основным узким местом в цепочке производства печатных плат является контроль качества, тестирование надежности и ручная доработка дефектных печатных плат. Основываясь на первоначальных результатах, мы твердо убеждены, что внедрение этой модели на линии по производству печатных плат может значительно повысить производительность и пропускную способность производства, одновременно значительно снизив производственные затраты.

Печатные платы (PCB) являются основой большинства электронных продуктов. Обычно они изготавливаются из стекловолокна и композитных эпоксидных смол с ламинированными материалами1. Любой производственный дефект на уровне печатной платы может привести к фатальным дефектам на уровне продукта. Таким образом, печатные платы должны изготавливаться с высочайшей степенью точности, чтобы обеспечить оптимальную работу и надежность продукта. Учитывая растущий во всем мире спрос на электронную продукцию, крайне важно эффективно и точно обнаруживать производственные дефекты. В рамках революции «Индустрия 4.0» новые технологии, основанные на данных и машинном обучении, могут быть внедрены для улучшения качества продукции и процессов2. Парадигма производства с нулевым дефектом (ZDM) также направлена ​​на повышение устойчивости производства за счет использования методов, основанных на данных, чтобы гарантировать, что дефектная продукция не пройдет через производственный процесс3. Этот подход сочетает в себе обнаружение, устранение, прогнозирование и предотвращение4. В то время как традиционные методы улучшения качества (QI) сосредоточены на обнаружении и устранении дефектов, обрабатывающие отрасли теперь переходят к парадигме прогнозирования и предотвращения, используя методы, основанные на данных, для прогнозирования производственных дефектов5. Индустрия печатных плат вкладывает огромные средства в обучение и поддержание большого количества сотрудников, занимающихся проверкой качества с использованием традиционных инструментов проверки6. Этот процесс часто приводит к нежелательным задержкам в производственном процессе. Более того, физический осмотр деталей является дорогостоящим и трудным. Таким образом, большинство компаний-производителей полагаются на контроль партий. Однако проверка партий не позволяет производителям соблюдать принцип ZDM об отсутствии дефектов в конце производственного процесса. С растущей важностью кастомизации продукции растет количество брака из-за меньших размеров производственных партий7. В виртуальной метрологии (VM), подобласти ZDM, методы, основанные на данных, помогают оценивать и прогнозировать качество продукции8. Эти методы используют недорогие показатели качества для получения более сложных показателей и достижения значительного улучшения экономической эффективности8. Новые методы компьютерного зрения на основе машинного обучения помогли исследователям применить виртуальную метрологию для контроля качества9

Различные типы дефектов медного рисунка могут поражать печатные платы. Это могут быть фатальные дефекты, которые сразу же сделают устройство неработоспособным. Они также могут быть потенциальными дефектами, ухудшающими работу устройства и сокращающими срок его службы10. Во время процессов травления и нанесения покрытия аномалии могут привести к избытку или отсутствию меди. Кроме того, незавершенный процесс может привести к нежелательному отложению проводящих материалов и образованию дефектов, таких как замыкания или шпоры. С другой стороны, чрезмерная обработка может привести к отсутствию отверстий, обрывам цепей и укусам мыши. Неисправный инструмент также может привести к отсутствию отверстий. Неправильный выбор времени может привести к механическим неправильным совмещениям, загрязнению или образованию пузырьков воздуха в результате электролиза, присутствующих на голых печатных платах. В литературе дается обширное описание наиболее распространенных дефектов производства печатных плат и их причин11.