在制造業(yè)中，檢測是必不可少的功能。視覺(jué)檢測可確保產(chǎn)品符合其預期的功能和外觀(guān)，并為制造商和客戶(hù)帶來(lái)重要利益。最明顯的是，檢測結果能夠提供質(zhì)量保證，可以通過(guò)產(chǎn)品標注或標簽直接傳達給客戶(hù)，或者在制造工廠(chǎng)內記錄，并作為其質(zhì)量控制過(guò)程的一部分。如果產(chǎn)品從現場(chǎng)退回，檢測報告還可以幫助進(jìn)行故障排除，并可以幫助制造商處理任何索賠。

 

此外，在生產(chǎn)過(guò)程中識別出所有不合格物品可以幫助確定是否需要調整制造工藝或程序，檢測結果可以幫助確定故障原因，例如，電子產(chǎn)品表面貼裝機中的噴嘴堵塞，瓶裝設備故障或標簽機械未對準等等。實(shí)時(shí)識別缺陷可以做到立即停止生產(chǎn)，從而馬上解決問(wèn)題。越早發(fā)現質(zhì)量問(wèn)題，解決問(wèn)題的成本就越低。業(yè)界經(jīng)常引用一個(gè)“十倍規則”：產(chǎn)品開(kāi)發(fā)階段發(fā)現錯誤的成本比生產(chǎn)階段低十倍，依次而行，生產(chǎn)階段的錯誤成本比現場(chǎng)應用也低十倍。

 

從人工檢測到AOI

 

通常對生產(chǎn)的每個(gè)產(chǎn)品都需要進(jìn)行檢測。經(jīng)過(guò)訓練的操作員可以人工進(jìn)行檢測，尤其是在處理簡(jiǎn)單產(chǎn)品或作為整體外觀(guān)最終檢測時(shí)更是如此。印刷電路板組件（PCBA）等一些應用可能需要放大設備，最小的功能尺寸（例如高密度IC互連和焊接在電路板上的01005大小SMD芯片）（見(jiàn)圖1），都對檢測人員的視覺(jué)敏感度（visual acuity）提出很大挑戰。

但是，隨著(zhù)產(chǎn)品復雜性的提高，一些典型組件可能包含大量此類(lèi)器件。檢測員在進(jìn)行檢測并記錄結果時(shí)，必須要克服視覺(jué)和節拍時(shí)間的雙重挑戰，可能導致人工檢測不切實(shí)際。在某些情況下，例如高速灌裝工藝，可能根本無(wú)法進(jìn)行人工檢測。

 

隨著(zhù)特征尺寸、復雜性和吞吐量方面的挑戰越來(lái)越嚴峻，自動(dòng)光學(xué)檢測（AOI）成為確保對每個(gè)項目進(jìn)行充分檢測的唯一實(shí)用方法。

 

AOI包括圖像傳感，照明和計算子系統，它們協(xié)同工作以便捕獲和分析圖像。AOI系統可以將捕獲的圖像與參考圖像進(jìn)行比較，之后得以能夠識別材料表面的缺陷、焊接缺陷或PCBA上元件缺失或放錯位置等缺陷?；蛘?，基于某些規則的系統會(huì )測量特征尺寸（例如組件本身或每個(gè)接頭中焊料量），以確定“良好”（G）或“不良”（NG）狀態(tài)。如果檢測到缺陷，則機器設備可以隔離有缺陷物品，然后繼續進(jìn)行后續檢測，或者暫停并警告操作員。

 

盡管AOI在復雜性、吞吐量存在，或兩者兼而有之的情況下已經(jīng)超過(guò)了人工檢測，但是傳統的圖像處理系統和算法仍存在一些缺點(diǎn)，這些缺點(diǎn)在系統和軟件開(kāi)發(fā)以及在工廠(chǎng)車(chē)間進(jìn)行設備安裝時(shí)非常明顯。

 

從傳統圖像處理到AI

 

圖像識別的基本原理是將每個(gè)捕獲的圖像數字化，并應用各種濾鏡來(lái)檢測圖案和特征。邊緣檢測濾鏡通常用于檢測圖像中的對象。能夠識別人類(lèi)的算法可以應用坡度斜率檢測（slope detection）來(lái)識別手臂、肩膀，、腿部等特征，該算法還需要檢測這些被檢測特征相對于彼此的方向，作為進(jìn)一步的界定標準。

 

檢測焊點(diǎn)的算法可以采用邊緣檢測和顏色檢測來(lái)識別焊點(diǎn)，并檢測焊點(diǎn)表面（fillet）的坡度是否在可接受范圍內。光學(xué)系統可以使用不同顏色從不同角度照亮待測單元。如果焊點(diǎn)表面的斜率正確，則可能會(huì )反射出更大比例的綠色波長(cháng)。如果有更多的紅色波長(cháng)或整個(gè)表面上呈現不斷變化的顏色組合，則表示有較淺焊點(diǎn)表面，表明焊料量或焊球形成不足，表明在焊接過(guò)程中沾錫較差。

 

無(wú)論是在安全監控或汽車(chē)行人檢測等應用中的人員識別，在社交媒體應用中的面部識別，還是在工業(yè)檢測中進(jìn)行缺陷檢測等所有應用，傳統的圖像識別都面臨著(zhù)眾多挑戰。

 

定義規則并創(chuàng )建算法以檢測和分類(lèi)數字圖像中的對象非常復雜。在工業(yè)檢測中，開(kāi)發(fā)可靠的算法既昂貴又費時(shí)。在檢測PCB組件時(shí)，焊點(diǎn)的質(zhì)量只是要檢測的一個(gè)標準，還必須驗證每個(gè)組件的存在，以及相對于阻焊層的（solder mask）位置和方向、組件的共面性以及不需要的物體（例如焊料飛濺在電路板表面上）的存在。為所有情況和所有例外創(chuàng )建規則幾乎是不可能的。

 

微調算法和添加更多算法以覆蓋其他更多情況，這是一項永無(wú)止境的任務(wù)，需要不斷更新軟件。每當行業(yè)中使用新產(chǎn)品（例如高級電子組件封裝）時(shí)，都必須開(kāi)發(fā)新算法以對其進(jìn)行檢測。

 

人工智能（AI）可以在一定程度上模仿人類(lèi)將學(xué)到的經(jīng)驗應用到圖像識別，從而能夠應對無(wú)限變化帶來(lái)的挑戰。在A(yíng)I總體概念下涵蓋的各種計算結構中，卷積神經(jīng)網(wǎng)絡(luò )（CNN）通常用于圖像識別。這些包括相互連接的人工神經(jīng)元，并排列成層（見(jiàn)圖2）。它們通常是深度神經(jīng)網(wǎng)絡(luò )，在輸入和輸出層之間包含多個(gè)內部或隱藏層。隱藏層對從前一層接收到的數據執行特定、嚴格定義的采樣（pooling）和卷積計算。結果被發(fā)送到下一層，最終到達輸出層，可表明是否已識別出所尋找的對象。

 

圖2：CNN層。

 

在部署CNN之前，需要對其進(jìn)行訓練以識別特定對象。在此過(guò)程中，通過(guò)每個(gè)答案的正確或不正確來(lái)調整每個(gè)神經(jīng)元在生成該答案中的重要性或權重，經(jīng)過(guò)多次迭代，CNN可以識別出具有較高正確性的圖像。在這一點(diǎn)上，可以認為它是經(jīng)過(guò)訓練，而冗余神經(jīng)元可以刪除，然后準備將神經(jīng)網(wǎng)絡(luò )部署為推理引擎，這或許是在云端實(shí)現，或許是在嵌入式計算平臺上實(shí)現。

 

將兩個(gè)領(lǐng)域融合在一起

 

AI可以為AOI設備的供應商和用戶(hù)帶來(lái)巨大優(yōu)勢。從供應商的角度來(lái)看，如果AI可以判斷看到特定對象的幾率，則可以簡(jiǎn)化算法開(kāi)發(fā)。通過(guò)減少定義每個(gè)對象和相應可接受標準的工作量，有助于縮短新設備的上市時(shí)間，并減少持續的軟件支持成本。對于用戶(hù)而言，通過(guò)AI實(shí)現的增強型AOI可以簡(jiǎn)化檢測系統設置、編程和微調“良好” /“不良”警報的閾值。

AI現在正在進(jìn)入AOI設備市場(chǎng)。一個(gè)范例是AAEON與AOI供應商合作伙伴共同創(chuàng )建，用于A(yíng)I推理的嵌入式工業(yè)機器視覺(jué)計算平臺和多處理器擴展卡。該平臺可使AOI用于檢測多個(gè)產(chǎn)品線(xiàn)，而無(wú)需重新配置。與傳統系統相比，它具有更高的準確性和更少的誤報，還可以快速接受培訓以檢測新產(chǎn)品或識別以前未知的缺陷。

 

另一個(gè)范例是用于PCB組件檢測的MEK（Marantz）ISO-Spector M1A。該系統基于A(yíng)I，可學(xué)習組裝和回流PCB的生產(chǎn)過(guò)程值，并基于數百個(gè)預設參數來(lái)識別缺陷。通過(guò)處理一些典型的挑戰，例如確定最佳光照水平，攝像頭位置，每個(gè)視圖的攝像頭設置以幫助缺陷檢測，以及調整檢測閾值以確保捕獲缺陷單元而不會(huì )進(jìn)行過(guò)多的錯誤NG，能夠減少編程中涉及的人為因素。 AI能夠比人類(lèi)專(zhuān)家快得多地自動(dòng)調整多個(gè)參數，并以顯著(zhù)降低的錯誤風(fēng)險來(lái)做出決策，無(wú)論AOI系統是由初學(xué)者還是由專(zhuān)家進(jìn)行編程，都可以實(shí)現一致的檢測結果。

 

中國制造商VCTA亦將AI添加到了其用于PCB制造的AOI系統中，從而可提供更強的操作能力：降低了廢品率，提高了產(chǎn)能和質(zhì)量。

 

AOI系統架構

 

此類(lèi)系統的特性凸顯了AI可為包括安全和零售在內許多領(lǐng)域的檢測應用所帶來(lái)的優(yōu)勢。在需要搜索圖像以檢測對象和特征或識別個(gè)人等特征的應用場(chǎng)景，AI可以簡(jiǎn)化設置和編程，消除人為錯誤，最小化延遲并能夠支持更好的決策。

 

為了幫助開(kāi)發(fā)人員充分利用該技術(shù)，攝像頭模塊現已進(jìn)入市場(chǎng)，并具備軟件支持以簡(jiǎn)化AI開(kāi)發(fā)，這其中的范例包括Basler AI視覺(jué)方案套件（Vision Solution Kit）。該套件（見(jiàn)圖3）可與1300萬(wàn)像素Basler dart（飛鏢)攝像頭和用于配置和操作相機的pylon攝像頭軟件套件一起使用。 Basler云端可提供用于對象檢測和人員識別，且經(jīng)過(guò)預先訓練的機器學(xué)習模型，可在套件上進(jìn)行部署。開(kāi)發(fā)人員還可以自由地將自己的模型用于任何應用。

 

圖3：Basler AI視覺(jué)解決方案套件。

 

Intel RealSense D400立體視覺(jué)深度相機系統集成了RealSense D4視覺(jué)處理器、一個(gè)立體深度模塊、一個(gè)具有彩色圖像信號處理功能的RGB傳感器和慣性測量單元，可滿(mǎn)足諸如機器人視覺(jué)、無(wú)人機、虛擬現實(shí)和家庭安全等應用的要求。深度模塊將左右成像器與可選紅外投影儀結合在一起，此紅外投影儀可投射不可見(jiàn)的靜態(tài)紅外圖案，以提高低紋理應用中的景深精度。

 

RealSense深度攝像頭在與TensorFlow或OCV等機器學(xué)習平臺一起使用時(shí)，可為對象檢測和分類(lèi)等應用帶來(lái)更多價(jià)值。攝像頭模塊的單像素深度信息有助于解決其他挑戰，例如估算視野中物體的尺寸?？赏ㄟ^(guò)Intel RealSense網(wǎng)站的鏈接獲得相關(guān)指導教程和示例代碼，其中給出了如何達到此目的。

 

結論

生產(chǎn)線(xiàn)上的AOI能夠以和生產(chǎn)線(xiàn)匹配的速度運行，并且已經(jīng)在支持各行各業(yè)的制造商提高質(zhì)量保證，保證生產(chǎn)率，并不斷改進(jìn)生產(chǎn)流程。在A(yíng)I基礎上的進(jìn)一步提升是AOI的未來(lái)發(fā)展方向，為光學(xué)檢測應用而訓練的算法能夠帶來(lái)提高決策能力的額外好處，可減少操作員的參與，簡(jiǎn)化編程，并可提供更強大的性能，從而能夠提高缺陷檢測的確定性，同時(shí)減少誤報。

開(kāi)發(fā)人員和創(chuàng )客可以開(kāi)始探索如何使用來(lái)自領(lǐng)先制造商，并由貿澤電子提供的AI攝像頭套件來(lái)加強各種機器視覺(jué)應用。

(來(lái)源：Mark Patrick，貿澤電子)