1900 0224
DEEP LEARNING ĐƯỢC ỨNG DỤNG NHƯ THẾ NÀO TRONG NGÀNH ĐIỆN TỬ?
DEEP LEARNING ĐƯỢC ỨNG DỤNG NHƯ THẾ NÀO TRONG NGÀNH ĐIỆN TỬ?

Giải pháp Deep Learning trong ngành công nghiệp điện tử

Hai trong số những nhu cầu lớn nhất của ngành công nghiệp điện tử là tự động hóa quy trình sản xuất và nâng cao chất lượng. Tuy nhiên, một số ứng dụng quá phức tạp, tốn thời gian, chi phí để lập trình thành một thuật toán dựa trên quy tắc. Sử dụng nhân viên kiểm tra để xử lý các loại bộ phận khác nhau và đưa ra các quyết định dựa trên phán đoán cũng có thể dẫn đến sai sót và làm chậm quá trình sản xuất.

Deep Learning - công nghệ học sâu lần đầu được thiết kế để giải quyết các ứng dụng điện tử đầy khó khăn, cung cấp khả năng kiểm tra giống như con người với tốc độ và sự mạnh mẽ của hệ thống máy tính, trong một đơn vị có thể bảo trì tại hiện trường giúp dễ dàng đào tạo các bộ phận mới và các loại lỗi trong hiện trường.

Lắp ráp chính xác trong bo mạch điện tử

Trong quá trình xác minh lắp ráp cuối cùng, việc kiểm tra PCB (bo mạch in) để xác định sự hiện diện và vị trí chính xác của đèn LED, bộ vi xử lý và các thành phần khác là vô cùng quan trọng. Những thiếu sót hoặc sai sót trong vị trí này có thể ảnh hưởng nghiêm trọng đến hiệu suất và tuổi thọ của PCB. Việc phát hiện các lỗi này trước khi PCB được lắp ráp vào thiết bị hoặc gửi cho khách hàng là hết sức cần thiết.

Tuy nhiên, việc kiểm tra tự động có thể gặp khó khăn khi có những thay đổi nhỏ trong ngoại hình của PCB. Những yếu tố như sự tương phản ánh sáng tinh vi, thay đổi góc nhìn, ánh sáng chói trên bề mặt kim loại có thể khiến hệ thống thị giác máy (machine vision) gặp khó khăn trong việc phân biệt các thành phần. Đặc biệt, những bộ phận gần nhau khó phân biệt như các bộ phận độc lập. Để lập trình các kiểm tra này thành một thuật toán dựa trên quy tắc, cần đầu tư nhiều thời gian và công sức, đồng thời dễ gặp lỗi và là thách thức đối với kỹ sư hiện trường trong việc duy trì hệ thống.

Deep Learning cung cấp giải pháp tự động kiểm tra lắp ráp PCB tại hiện trường, cạnh tranh với việc kiểm tra thủ công của con người. Công cụ này sử dụng học máy để xác định các thành phần từ hình ảnh "tốt" đã được đánh dấu, xây dựng mô hình tham chiếu về hình dạng bình thường của chúng. Từ đó, công cụ tổng quát hóa các đặc điểm phân biệt của các thành phần dựa trên kích thước, hình dạng và các đặc điểm bề mặt, giúp xác định vị trí và đếm các thành phần trên PCB một cách nhanh chóng và chính xác. Nhờ công nghệ này, việc kiểm tra xác định việc lắp ráp chính xác của bo mạch trở nên hiệu quả và tin cậy hơn, giúp tối ưu hóa quy trình sản xuất và đảm bảo chất lượng sản phẩm.

Deep Learning kiểm tra mối hàn điện trở

Lắp ráp các linh kiện như diode chuột vào bo mạch mà không ảnh hưởng đến kết nối điện của chúng đòi hỏi việc dán điện trở hàn một cách hoàn hảo lên bảng mạch. Thậm chí những khiếm khuyết nhỏ trong việc dán hàn cũng có thể dẫn đến đứt dây, chập điện và các vấn đề khác liên quan đến điện. Những sai sót này có thể khác nhau về kích thước, hình dạng và xuất hiện, mà thường xuất hiện do ánh sáng chói. Rất khó để lập trình tự động có thể chịu được sự thay đổi đáng kể của bộ phận trong những điều kiện này.

Deep Learning nhanh chóng xác định điện trở hàn trên diode và kiểm tra các khuyết tật bằng cách sử dụng công cụ phát hiện khuyết tật ở chế độ giám sát.

Deep Learing trong sản xuất điện tử

Kiểm tra độ thẩm mỹ của vỏ ngoài sản phẩm

Việc kiểm tra thẩm mỹ có thể phức tạp do các khuyết tật xuất hiện ở các cấp độ khác nhau, từ thành phần đến bao bì và vỏ. Những vết xước, vết lõm và các khiếm khuyết khác có thể không ảnh hưởng đến chức năng nhưng lại ảnh hưởng đáng kể đến chất lượng và cảm nhận của người tiêu dùng. Trong số đó, những khiếm khuyết rõ ràng có thể dẫn đến từ chối, trong khi những khiếm khuyết nhỏ hơn có thể chấp nhận được.

Kỹ sư có thể sử dụng công cụ phát hiện lỗi giám sát và đào tạo Deep Learning để tự động tìm kiếm các khuyết tật cụ thể như vết xước, đồng thời loại bỏ dị thường và biến thể không quan trọng. Công cụ này được tối ưu hóa để hoạt động hiệu quả trên hình ảnh có độ tương phản thấp hoặc chất lượng hình ảnh kém.

Deep Learning trong ngành sản xuất điện tử

Kiểm tra chứng nhận lắp ráp và thẩm mỹ của module pin dựa trên công nghệ Deep Learning

Kiểm tra chèn trước khi lắp ráp là bước quan trọng để phát hiện khuyết tật trong phần bên trong và pin trước khi gắn vỏ. Việc xác định vị trí và kiểm tra pin là thách thức trong quá trình lắp ráp do tính không ổn định của việc này. Tuy nhiên, phần mềm thị giác deep learning đơn giản hóa việc tự động phát hiện và xác định các khuyết tật trên bề mặt kim loại của pin.

Công nghệ Deep Learning giúp nhà sản xuất kiểm tra tính toàn vẹn của pin và phân biệt giữa các khuyết tật thẩm mỹ và chức năng trước khi điện thoại lắp ráp. Kỹ sư có thể đào tạo phần mềm dựa trên hình ảnh "tốt" và "xấu" có các khuyết tật đã được gắn nhãn. Công cụ sẽ học hình thức bình thường của pin và các biến thể tự nhiên chấp nhận được. Thông số có thể được điều chỉnh linh hoạt trong quá trình đào tạo để mô hình phát hiện và phân loại chính xác các hình ảnh có vấn đề chức năng. Sau khi triển khai, công cụ phát hiện lỗi sẽ tự động xác định và loại bỏ pin bị lỗi.

Deep Learning trong ngành sản xuất điện tử

Deep learning kiểm tra thẩm mỹ đầu dẫn IC

Thị giác máy được sử dụng trong sản xuất chất bán dẫn để giám sát chất lượng và phát hiện lỗi. Các chốt bị xước, xoắn, cong hoặc thiếu phải được nhà sản xuất chú ý và loại bỏ. Với nhiều loại khuyết tật tiềm ẩn, việc lập trình kiểm tra dựa trên quy tắc không hiệu quả. Thay vào đó, phần mềm thị giác deep learning giúp giảm thiểu khuyết tật bán dẫn và cải thiện năng suất mà không cần sử dụng các thư viện lỗi mở rộng.

Deep Learning giúp đơn giản hóa việc xác định các đặc điểm bất thường mà không cần đào tạo về hình ảnh "xấu". Kỹ sư chỉ cần đào tạo phần mềm với một mẫu hình ảnh "tốt" ở chế độ không giám sát. Công nghệ này tự động tìm hiểu hình dáng và vị trí bình thường của các dây dẫn và chân của chip, từ đó phát hiện và mô tả tất cả các tính năng sai lệch là bị lỗi. Điều này giúp tiết kiệm thời gian và giảm độ phức tạp trong việc tìm kiếm các khuyết tật.

Deep Learning trong ngành sản xuất điện tử

Phân loại tụ điện dựa trên công nghệ Deep Learning

Phân loại các thành phần điện tử thường khó khăn khi chúng được chia thành nhiều lớp với nhiều biến thể trực quan khác nhau. Điều này bao gồm các thông số như loại tụ điện (gốm và điện), kích thước và màu sắc thay đổi tùy theo nhà sản xuất và thông số kỹ thuật. Hình dạng hình trụ và ánh sáng cũng có thể phức tạp. Để giải quyết vấn đề này, VisionPro ViDi cung cấp một giải pháp dựa trên deep learning, cho phép tự động hóa việc phân loại nhiều thành phần trong một hình ảnh duy nhất.

Sử dụng công cụ phát hiện lỗi, kỹ sư đào tạo phần mềm giám sát các hình ảnh được chú thích, phân loại tụ điện và tụ điện vàng là các bộ phận "tốt". Trong thời gian chạy, công cụ sẽ phân đoạn và phân loại tất cả các tụ điện và tụ điện vàng làm một loại. Deep Learning có thể phân biệt các tụ điện khác nhau dựa trên màu sắc và dấu hiệu của chúng, ngay cả khi chúng trông giống nhau trên hình ảnh duy nhất.

Deep Learning trong ngành sản xuất điện tử

Kiểm tra kết nối USB

Điện thoại thông minh sử dụng đầu nối USB OEM để sạc và truyền dữ liệu. Đầu nối này cần được kiểm tra kỹ lưỡng trước khi lắp đặt, bao gồm tiếp điểm nguồn và dữ liệu, tấm chắn và đầu nối ngàm. Các lỗi thường xuất hiện trên đầu nối USB bao gồm cháy, bắn ngắn, bụi, xước và dịch chuyển. Ngay cả các lỗi nhỏ trên đầu nối cũng có thể ảnh hưởng lớn đến hiệu suất kết nối, sự ổn định và tuổi thọ của điện thoại.

Công cụ phát hiện khiếm khuyết Deep Learning được đào tạo trên dữ liệu hình ảnh đa dạng, bao gồm cả các biến thể ngoại hình quan trọng về mặt chức năng và những biến thể không ảnh hưởng đến chức năng. Trong quá trình đào tạo, những khiếm khuyết có thể chấp nhận được về thẩm mỹ được bỏ qua để tập trung vào những khiếm khuyết có thể ảnh hưởng đến chức năng, giúp quá trình diễn ra đơn giản và nhanh chóng hơn. Khi triển khai trên dây chuyền, ánh sáng và cách xếp đặt bộ phận được quan trọng để bắt được càng nhiều khiếm khuyết một cách tốt nhất.

Deep Learning trong ngành sản xuất điện tử

Deep learning kiểm tra OCR trên các lắp ráp PCB

Giải mã chuỗi ký tự trên các chip được lắp ráp trên PCB là một thách thức đối với hệ thống thị giác máy, đặc biệt khi gặp ánh sáng chói và hình ảnh có độ tương phản thấp. Hệ thống nhận dạng ký tự quang học (OCR) của chúng tôi đã được tối ưu hóa để xử lý các bề mặt phản chiếu và nhận dạng ký tự bất kể biến dạng, lệch và chất lượng hình ảnh kém.

Với Deep Learning, đọc các ký tự bị biến dạng không còn là vấn đề. Tiếp cận OCR dựa trên deep learning giúp tiết kiệm thời gian và giảm việc dán nhãn quá mức. Phần mềm chỉ yêu cầu kỹ sư thiết lập vùng quan tâm và kích thước ký tự. Thư viện phông chữ đã được đào tạo sẵn trong công cụ sẽ tự động giải mã các ký tự và đọc chuỗi mà không cần đào tạo. Đối với các tình huống đọc ký tự khó khăn, phần mềm có thể được đào tạo lại trực tiếp sử dụng các ký tự có biến thể.

giải pháp Deep Learning trong ngành sản xuất điện tử

Phân tích các khuyết điểm

Sau khi lắp ráp hoàn chỉnh, trước khi đóng gói, điện thoại thông minh phải trải qua kiểm tra chất lượng để phát hiện bất kỳ khuyết điểm nào như trầy xước, nứt vỡ, hay sự lệch màu trên vỏ và mặt kính. Mặc dù không liên quan đến chức năng, những vấn đề này có thể ảnh hưởng xấu đến vẻ bề ngoài của sản phẩm.

Deep Learning dạy từ các hình ảnh về khuyết tật không chấp nhận được cũng như biến thể thẩm mỹ chấp nhận được. Công cụ này học cách phân loại chúng và có thể điều chỉnh tham số để đáp ứng các yêu cầu của thị trường. Kết hợp với ánh sáng đặc biệt và trình bày thích hợp, công cụ được đào tạo bằng Deep Learning sẽ kiểm tra mọi khía cạnh của điện thoại thông minh, từ màn hình đến dây đeo và mặt sau, để phát hiện sự lõm, xước, và thay đổi màu. Kiểm tra kỹ lưỡng này đảm bảo chỉ những sản phẩm thẩm mỹ hoàn hảo mới được đóng gói.

Giải pháp Deep Learning trong ngành sản xuất điện tử

Kiểm tra bộ lọc trên loa của điện thoại di động

Lưới loa là một miếng kim loại đục lỗ để bảo vệ mô-đun âm thanh của điện thoại di động khỏi bụi và hư hại đồng thời ảnh hưởng đến âm thanh một cách tối thiểu. Lưới phải được kiểm tra bằng mắt thường để tìm các vết nứt, vết xước, lỗ thủng, biến dạng, các cạnh bị gãy, tạp chất lạ như bụi bẩn hoặc tóc, và hư hỏng do quá trình đục lỗ. Lưới này có thể nhìn thấy đối với người dùng cuối, và do đó, hư hỏng thẩm mỹ cũng phải được phát hiện.

Công cụ phát hiện khiếm khuyết của Deep Learning được đào tạo với nhiều loại lưới loa để đảm bảo phạm vi sự biến đổi của các bộ phận bình thường. Nó phân tích và đánh dấu các điểm nằm ngoài phạm vi chấp nhận được khi quét qua các mắt lưới. Công cụ này có khả năng kết hợp với thị giác máy truyền thống, đặc biệt phù hợp cho việc căn chỉnh chính xác và đo kích thước lưới loa. Kết hợp giữa deep learning và công cụ thị giác truyền thống vượt qua phương pháp kiểm tra thủ công, đồng thời cải thiện tốc độ một cách đáng kể và duy trì tính nhất quán trong quy trình sản xuất.

Deep Learning trong ngành sản xuất điện tử

Kiểm tra bề mặt Module camera

Trước khi thiết bị di động được lắp đặt mô-đun máy ảnh vào, bề mặt module phải được kiểm tra đảm bảo rằng không có vật lạ, vết xước, vết bẩn hoặc bụi trên ống kính.

Deep Learning được đào tạo trên nhiều loại thấu kính không có khuyết tật để nắm rõ biến đổi của các bộ phận bình thường. Trong chế độ Không giám sát, nó quét qua chuỗi thấu kính và chỉ ra những thấu kính ngoài phạm vi chấp nhận được, đồng thời giảm thiểu kết quả dương tính giả.

Khuyết tật của thấu kính thường bắt nguồn từ nguyên nhân cụ thể như nhiễm bẩn bởi bụi, vết bẩn do dầu hoặc vân tay, và sai lệch bên trong thấu kính. Người dùng có thể xác định loại hoặc đo kích thước khuyết tật một cách chính xác bằng chế độ giám sát. Trong chế độ này, người dùng đào tạo hệ thống với các ví dụ của bộ phận tốt và xấu, để nhận biết rõ các vùng khuyết tật và gắn nhãn chúng như vết xước, vết bẩn, nhiễm bẩn, và cách khác.

Thông tin này có thể áp dụng để kiểm soát quy trình sản xuất ngược. Ví dụ, nếu có vết xước cố định, có thể do máy bị lệch hoặc lệch tốc độ sản xuất gây ra. Bằng cách xác định nguyên nhân gốc rễ, nhà sản xuất có thể nhanh chóng ứng phó và giảm thiểu việc tạo ra các bộ phận xấu.

Ứng dụng của Deep Learning trong ngành sản xuất điện tử

Kiểm tra dấu hàn trên pin

Khi tế bào pin được bịt kín, chất điện phân lỏng được đổ vào qua lỗ nhỏ trên nắp. Lỗ sau khi đầy sẽ được đóng bằng chốt niêm phong hoặc nắp đậy, sau đó được hàn chặt để cố định.

Vị trí chính xác của chốt niêm phong đã được xác định bằng cách đo chiều cao của chốt sử dụng tia laser hoặc cảm biến dịch chuyển 3D. Tuy nhiên, việc phát hiện khuyết tật trong quá trình hàn, như vết lõm, cháy, lỗ kim và đứt, không dễ dàng qua thị giác máy truyền thống do nhiều khuyết tật có thể xảy ra và phản chiếu khác nhau của nắp pin.

Sau khi mối hàn xong, Deep Learning phát hiện nhiều khuyết tật tiềm ẩn trên mối hàn chốt niêm phong. Áp dụng deep learning đã được đào tạo trên nhiều loại pin niêm phong để nắm rõ biến đổi của bộ phận bình thường, bao gồm cả mức độ chấp nhận được của khuyết tật thẩm mỹ, điểm sáng và bóng.

Ứng dụng của Deep Learning trong ngành sản xuất điện tử

Kiểm tra nút của pin

Pin dạng nút và pin hình trụ được niêm phong bằng cách hàn nắp vào vỏ chứa điện cực và chất điện phân. Phương pháp nhiệt thấp như laze hoặc hàn điện trở thường được ưa chuộng để bảo vệ phần trong pin và duy trì độ chính xác niêm phong. Những khiếm khuyết trong quá trình này có thể dẫn đến rò rỉ chất điện phân và giảm hiệu suất.

Các vấn đề hàn có thể xuất hiện bất kỳ vị trí nào quanh chu vi và có thể có hình dáng đa dạng. Vết lõm, vết xước và các khuyết tật khác có thể xuất hiện ở bất kỳ vị trí nào trên bề mặt. Cả hai loại khiếm khuyết đều khó phân biệt trên bề mặt phản chiếu của tế bào. Tất cả những vấn đề này khiến việc sử dụng thị giác máy truyền thống để phát hiện chính xác các khiếm khuyết trở nên khó khăn.

Với quy mô sản xuất lớn và tính chất tinh vi của những khiếm khuyết này, việc kiểm tra thủ công gặp phải thách thức tương tự.

Deep Learning đã được đào tạo với nhiều loại pin niêm phong để phát hiện khuyết tật mối hàn. Khi quét qua các nắp pin, nó phân tích và đánh dấu mối hàn nào vượt quá phạm vi chấp nhận được, đồng thời giảm thiểu các kết quả dương tính do khuyết tật thẩm mỹ.

Ứng dụng của Deep Learning trong ngành sản xuất điện tử

Kiểm tra nhãn của pin

Các điện cực pin kết nối với mạch bên ngoài qua các mấu kim loại. Những u kim loại này, mỏng và mềm, được làm từ nhiều loại kim loại và dễ dàng hỏng. Trầy xước, va đập, lỗ và bụi là các lỗi thường gặp. Tab bị hỏng có thể làm giảm hoặc ngăn cản kết nối, đó là tại sao chúng cần không có khiếm khuyết trước khi hàn vào điện cực.

Ngoài ra, việc hàn không đúng cách cũng dẫn đến các vấn đề như bỏng, va đập, thiếu bóng. Chất hàn kém cản trở hoặc làm giảm kết nối và hiệu suất.

Deep Learning đã được đào tạo với nhiều loại tab không bị hỏng và tab được hàn chính xác để phát hiện khuyết tật hàn. Áp dụng deep learning đã được đào tạo trên nhiều lựa chọn tab hợp lệ để hiểu rõ sự biến đổi của bộ phận bình thường, bao gồm cả mức độ chấp nhận được của khuyết tật thẩm mỹ.

Ứng dụng của Deep Learning trong ngành sản xuất điện tử

Deep learning kiểm tra dấu hàn

Để đảm bảo kết nối điện chắc chắn, dây dẫn cần được hàn tại chỗ hoặc với thiết bị đầu cuối. Quá trình hàn kết hợp hai kim loại khác nhau bằng nhiệt để tạo kết nối vững chắc. Quan trọng là hàn phải nấu chảy ở mức vừa đủ, không quá cũng như đủ, có hình dạng tốt và vị trí chính xác. Đối với nhà sản xuất, việc quản lý nhiều đường dây dẫn cho nhiều bộ phận điện tử đòi hỏi tất cả các kết nối phải đảm bảo an toàn.

Với sự biến đổi cao và không đồng nhất của các kết nối hàn, bao gồm hình dạng, vị trí, màu sắc, phản xạ, cấu trúc và dấu hiệu bề mặt, việc kiểm tra có thể dẫn đến tỷ lệ dương tính giả cao, còn gọi là quá mức cần thiết. Điều này dẫn đến loại bỏ các bộ phận tốt. Việc đánh dấu nhầm các mối hàn tốt là lỗi yêu cầu kiểm tra thủ công, gây chậm trễ so với tốc độ dây chuyền và thường gây ra sai sót trong việc xác định khuyết tật mối hàn.

Sự đa dạng về kích thước, màu sắc và đặc điểm khác giữa các bộ phận từ lô này sang lô khác gây ra phạm vi biến thể rộng và gây khó khăn trong việc phân biệt kết nối tốt và kết nối không tốt, khiến phương pháp kiểm tra truyền thống dựa trên quy tắc trở nên không hiệu quả.

Người dùng có thể đào tạo công cụ phát hiện lỗi của Deep Learning trên nhiều kết nối hàn tại chỗ để hiểu sự biến đổi đầy đủ của các bộ phận bình thường. Công cụ quét qua vết hàn và phân tích, đồng thời loại bỏ dương tính giả. Công cụ phân loại của Deep Learning sau đó được huấn luyện với các khuyết tật hàn đã được gắn nhãn, để phân loại các vấn đề cụ thể như hình dạng không đồng đều, lỗ thổi, vết nứt, vết cháy, và nhiễm bẩn bề mặt. Các loại khuyết tật đã được phân loại có thể được áp dụng để kiểm soát quá trình ngược dòng và giảm thiểu khuyết tật theo thời gian.

Ứng dụng của Deep Learning trong ngành sản xuất điện tử

Kiểm tra MLCC

Tụ gốm nhiều lớp (MLCC) chứa nhiều tụ điện xếp chồng lên nhau với các đầu nối kim loại kết nối với bảng mạch tích hợp. MLCCs có thể gặp nhiều lỗi sản xuất như vết nứt, vết phồng rộp, vụn, nhiễm bẩn và khoảng trống lớp phủ. Các lỗi này ảnh hưởng không chỉ đến MLCC lỗi mà còn có thể gây hại đến các thành phần xung quanh và bảng mạch tích hợp.

MLCCs nhỏ, nhiều và có nhiều khuyết tật nhỏ khác nhau về hình dáng và vị trí. Bề mặt sáng bóng cản trở thị giác máy truyền thống.

Kiểm tra thủ công và máy kiểm tra quang học tự động (AOI) được sử dụng. AOI kiểm tra tất cả sáu mặt của MLCCs, sau đó con người kiểm tra mẫu thống kê. Tuy nhiên, cả hai phương pháp này đều có tỷ lệ quá mức cần thiết cao hoặc tốn thời gian. Quá trình tổng thể tốn kém, chậm và thiếu dữ liệu hữu ích cho cải tiến quy trình.

Cognex đã phát triển một máy kiểm tra quang học thẩm mỹ (COI) đặc biệt cho việc kiểm tra MLCC bằng cách sử dụng cả ánh sáng tùy chỉnh và công nghệ thị giác deep learning. Mô-đun chiếu sáng tùy chỉnh được áp dụng để kiểm tra MLCC, loại bỏ các biến thể bề mặt không liên quan và tập trung vào phát hiện khuyết tật trên thân tụ điện và đầu nối.

Sau khi các MLCC đã trải qua kiểm tra bằng máy AOI, máy COI tiếp tục kiểm tra để giảm dương tính giả và loại bỏ các thành phần tốt không cần thiết ra khỏi quy trình sản xuất. Sự kết hợp này mang lại tốc độ, độ chính xác và cung cấp dữ liệu tối ưu hóa cho quy trình so với kiểm tra thủ công.

Công cụ phân loại deep learning được đào tạo dựa trên hình ảnh của nhiều loại MLCC không có khiếm khuyết và có khiếm khuyết. Công cụ này học cách phân loại nhiều loại khuyết tật có thể xuất hiện, đồng thời hiểu biến thể đầy đủ của các bộ phận bình thường. Sau khi đào tạo, nó có khả năng kiểm tra toàn bộ MLCC và ngay lập tức đánh dấu bất kỳ vết khuyết nào nằm ngoài phạm vi chấp nhận được hoặc xác định các phần tốt trước đó đã được đánh dấu là khuyết tật.

Các khuyết tật được phân loại cũng có thể được áp dụng để điều khiển quá trình ngược dòng, giúp giảm thiểu các khuyết tật trong bộ phận theo thời gian.

Ứng dụng của Deep Learning trong ngành sản xuất điện tử

Giải pháp Deep Learning

Deep Learning là giải pháp tầm nhìn dựa trên công nghệ Deep Learning độc đáo, đặc biệt thiết kế cho tự động hóa trong môi trường nhà máy. Được xây dựng trên các thuật toán học máy hiện đại, công nghệ này đã trải qua kiểm nghiệm và tối ưu hóa, và đã được chứng minh hiệu quả tại các dự án thực tế.

Khác với cách tiếp cận dựa trên quy tắc của thị giác máy truyền thống, Deep Learning không chỉ giải quyết thách thức kiểm tra theo cách tương tự, mà còn học cách nhận diện các mẫu và điểm bất thường thông qua các hình ảnh tham chiếu. Sự tự động hóa và khả năng mở rộng của Deep learning cho phép áp dụng cho những ứng dụng kiểm tra phức tạp, bao gồm việc phát hiện lỗi và xác minh lắp ráp cuối cùng, mà trước đây thường phải dựa vào công việc thủ công của con người.

>>> Xem thêm: EDGE LEARNING VÀ DEEP LEARNING

---------------------------------------------------------- 

THÔNG TIN LIÊN HỆ 

Công ty TNHH Hệ thống Tự động Đại Dương Mới (New Ocean Automation System) 

Website: New Ocean Automation System

Hotline: 1900 0224 

Email: customercare@new-ocean.com.vn