Обзор и анализ методов автоматической оптической инспекции и контроля качества в электронной промышленности
A Review and Analysis of Automatic Optical Inspection and Quality Monitoring Methods in Electronics Industry
2020-01-01
SCID: 54.1/2p3tfkv2
Discuss with AI
автоматическая оптическая инспекцияглубокое обучениеобнаружение дефектовэлектронная промышленностьконтроль качества
Figures from the paper
Abstract (AI)
Электронная промышленность является одной из наиболее быстро развивающихся, инновационных и конкурентоспособных отраслей. Для удовлетворения высокого спроса на электронные компоненты необходимо обеспечивать надлежащее соблюдение стандартов качества продукции. Автоматическая оптическая инспекция (AOI) является одним из неразрушающих методов, применяемых для контроля качества различных изделий. Этот метод считается надежным и может заменить инспекторов, подверженных монотонности и утомлению при выполнении задач контроля. Полностью автоматизированная система оптической инспекции состоит из аппаратной и программной частей. Аппаратная часть включает датчик изображения и систему освещения и отвечает за получение цифрового изображения, тогда как программная часть реализует алгоритм инспекции для извлечения признаков из полученных изображений и классификации изделий как дефектных или бездефектных в соответствии с требованиями пользователя. Для отделения дефектных изделий от годных может применяться механизм сортировки. В статье представлен всесторонний обзор различных систем AOI, используемых в электронной, микроэлектронной и оптоэлектронной промышленности. Сначала рассматриваются дефекты, обычно выявляемые в таких электронных компонентах, как полупроводниковые пластины, плоскопанельные дисплеи, печатные платы и светоизлучающие диоды. Затем обсуждаются аппаратные конфигурации, применяемые для получения изображений, с точки зрения выбора и настройки камер и источников освещения. Алгоритмы инспекции, используемые для обнаружения дефектов электронных компонентов, рассматриваются с точки зрения применяемых средств предварительной обработки, выделения признаков и классификации. Также анализируются недавние публикации, в которых используются алгоритмы глубокого обучения. В заключение статьи освещаются современные тенденции и возможные направления дальнейших исследований.
Key Findings
1
Полностью автоматизированная система AOI объединяет датчики изображения и управляемое освещение с программной предварительной обработкой, выделением признаков, классификацией дефектов и возможной сортировкой изделий.
2
Автоматическая оптическая инспекция является надежным неразрушающим методом контроля качества, способным снизить зависимость от утомляемых очных инспекторов в производстве электроники.
3
Эффективность инспекции зависит от согласованной настройки камер и освещения, а также от выбора методов предварительной обработки, выделения признаков и классификации.
4
Рассмотрены современные подходы глубокого обучения, а также обозначены текущие тенденции и перспективные направления исследований для контроля качества в электронной промышленности.
5
Обзор охватывает применение AOI и типичные дефекты полупроводниковых пластин, плоских дисплеев, печатных плат и светодиодов.
Research Object
Электронные компоненты и изделия, включая полупроводниковые пластины, плоскопанельные дисплеи, печатные платы и светоизлучающие диоды
Research Subject
Автоматический оптический контроль и мониторинг качества дефектов с использованием аппаратных средств получения изображений и алгоритмов инспекции
Publication Details
Publication Date
2020-01-01
Journal
Publisher
ISSN
Cited by
358
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai10
Глубокое остаточное обучение для распознавания изображений2016
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Очень глубокие сверточные сети для масштабного распознавания изображений2014
Градиентное обучение для распознавания документов1998
За пределами гауссовского шумоподавителя: республивая (Residual) обучаемая глубокая сверточная нейронная сеть для удаления шума с изображений2017
Искусственные нейронные сети: учебное руководство1996
Обнаружение трещин и повреждений с использованием глубокого обучения и сверточных нейронных сетей2017
Обзор алгоритмов и архитектур глубинного обучения2019
Обзор последних достижений в обнаружении поверхностных дефектов с использованием методов анализа текстур2008
Подходы к выявлению и классификации дефектов на основе визуального контроля для промышленных применений — ОБЗОР2020