Применение машинного обучения для создания системы обнаружения дефектов золотых контактов печатных плат

Системы машинного зрения используют цифровые датчики промышленных камер для получения изображений, а компьютеры — для предварительной обработки и анализа изображений, измерения различных характеристик и принятия решений. В связи с ростом требований к производительности и качеству в электронной промышленности стандарты входного контроля качества (IQC) становятся все более строгими. В промышленности входной контроль качества в основном основан на ручной выборочной проверке. Хотя такой подход позволяет экономить время и средства, доля пропущенных дефектов остается высокой. Целью данного исследования было создание автоматической системы обнаружения дефектов, способной быстро выявлять дефекты золотых контактов печатных плат (PCB) в соответствии со стандартами производителя. В процессе итерационного обучения моделей глубокого обучения параметры, необходимые для обработки изображений и операций логического вывода, обновляются автоматически. В исследовании были рассмотрены и сопоставлены сети обнаружения объектов, используемые в алгоритмах YOLOv3 (You Only Look Once, Version 3) и Faster Region-Based Convolutional Neural Network (Faster R-CNN). Результаты показали, что модель классификации и обнаружения дефектов, созданная на основе архитектуры сети YOLOv3, способна выявлять дефекты с точностью 95%. В результате выборочный входной контроль качества был заменен сплошным контролем, а участок сплошной проверки по технологии поверхностного монтажа (SMT) был упразднен, что позволило сократить потребность в инспекционном персонале.