1900 0224
ỨNG DỤNG NÀO CỦA CÔNG NGHỆ HỌC SÂU CHO NGÀNH SẢN XUẤT ĐIỆN TỬ?
ỨNG DỤNG NÀO CỦA CÔNG NGHỆ HỌC SÂU CHO NGÀNH SẢN XUẤT ĐIỆN TỬ?

Ngành công nghiệp sản xuất phần cứng điện tử ngày càng nâng cao chất lượng với công nghệ thị giác máy. Khi các bộ phận của sản phẩm ngày càng nhỏ hơn do nhu cầu mỏng và nhẹ của người tiêu dùng và khi nhu cầu về hiệu quả chi phí sản xuất tăng lên, thì điều then chốt là các nhà sản xuất phải tự động hóa mọi khâu của quy trình sản xuất mà không ảnh hưởng đến chất lượng.  

Nhưng có những ứng dụng, đặc biệt là trong ngành bán dẫn và thiết bị di động, lại hạn chế sự tự động hóa vì độ phức tạp và chi phí lập trình của chúng. Trong những trường hợp này, việc dựa vào kiểm tra thủ công bởi con người là một biện pháp phổ biến nhưng không hiệu quả đưa ra các quyết định dựa trên liên quan đến nhiều bộ phận máy, hướng lắp ráp và các ngữ cảnh khác nhau. Tuy nhiên, bất chấp độ tin cậy của chúng so với máy móc, việc kiểm tra lỗi thủ công vẫn dễ xuất hiện lỗi khi có sự ảnh hưởng của cá yếu tố khách quan đến người thực hiện.

Vì những lý do này, các nhà sản xuất thiết bị điện tử đang hướng tới các giải pháp kiểm tra dựa trên học sâu Deep Learning, kết hợp độc đáo giữa sự linh hoạt của trí óc con người với sự mạnh mẽ của máy tính để có kết quả kiểm tra nhanh chóng và có độ tin cậy cao. 

Phát hiện lỗi khiếm khuyết

Các bảng mạch in lắp ráp (PCB) dựa vào việc hàn chính xác các thành phần để dòng điện có thể chạy qua. Các khuyết tật nhỏ nhất có thể gây nhiễu và hỏng hóc. Vì vậy việc phát hiện lỗi là rất quan trọng. Tuy nhiên, sự đa dạng về các lỗi của mối hàn — hàn quá nhiều, thiếu mối hàn và không đồng đều — thì đối với hệ thống thị giác máy khó có thể phát hiện được không chỉ vì có sự khác biệt ảnh nhỏ mà còn do các vấn đề hình ảnh như chói, độ biến dạng và cách thay đổi trình chiếu trước Camera.

Bất kỳ hệ thống kiểm tra tự động nào cũng cần phải chịu được sự thay đổi đáng kể giữa các bộ phận thiết bị (ví dụ: mối hàn kém cường độ so với mối hàn quá cường độ hàn) trong các điều kiện chất lượng hình ảnh khắc nghiệt. Các giải pháp dựa trên học sâu có khả năng cố định vùng cần kiểm tra và kiểm tra các mối hàn với sự thay đổi từng phần đáng kể mà không cần lập trình dựa trên quy tắc nào. Những lỗi được xem sẽ quá tốn thời gian, lặp lại và thậm chí không coi là lỗi.

Với công cụ học sâu để phát hiện lỗi cần học cách xác định nhiều loại lỗi hàn sau khi nó đã được đào tạo trên một tập hợp đại diện của các hình ảnh được gắn nhãn “tốt” (tức là đạt) và “xấu” (không đạt). Dựa trên những hình ảnh này, Deep Learning có thể xây dựng một mô hình tham chiếu về bề ngoài bình thường của mối hàn, cũng như các khuyết tật không thể dung nạp được, giải thích cho các biến thể về bề ngoài có thể do các vấn đề về hình ảnh và độ chói.

Nhận dạng ký tự quang học

Giống như bất kỳ ký tự chữ và số nào được in trên các linh kiện và mô-đun điện tử, số sê-ri in trên chip dễ bị biến dạng, lệch và khắc kém. Những đặc điểm này thách thức các công cụ OCR truyền thống, những công cụ này cần được đào tạo trên thư viện phông chữ và ký tự cũng như các bản trình bày khác nhau của chúng.

Ngay cả những công cụ tốt nhất — những công cụ cho phép người dùng đào tạo toàn bộ chuỗi ký tự trong một bước duy nhất, xóa các ký tự đơn lẻ, đào tạo trên nhiều trường hợp của cùng một ký tự và tải hoặc lưu các phông chữ đã đào tạo vào các ứng dụng mới — tốn nhiều thời gian và vẫn có thể gặp khó khăn khi xác định một nhân vật có dị tật không mong muốn.

Các công cụ dựa trên học sâu sử dụng các thư viện được đào tạo trước để nhận dạng và xác minh các ký tự, ngay cả khi bản trình bày của chúng thay đổi, do đó chỉ những ký tự bị thiếu mới cần được đào tạo lại trong hệ thống trong quá trình kiểm tra và xác nhận. Điều này mang lại cho hệ thống kiểm tra một bước vượt trội hơn về độ chính xác và giảm thiểu thời gian ngừng hoạt động do đào tạo lại.

Kiểm tra lắp ráp

Xác minh lắp ráp là một ứng dụng nổi tiếng là khó tự động hóa vì số lượng các thành phần khác nhau cần được tính đến. Các thành phần này cần được xác minh là hiện tại, được gắn kết và được định hướng một cách chính xác. Việc kiểm tra này có thể cần thực hiện ở định dạng 2D cũng như 3D, tùy thuộc vào bộ phận lắp ráp phụ.

Một ví dụ điển hình là kiểm tra việc lắp ráp cuối cùng của một PCB, PCB đã có đèn LED, bộ vi xử lý và các thiết bị gắn kết bề mặt khác được hàn vào nó. Hệ thống kiểm tra có trách nhiệm tìm kiếm các thành phần bị thiếu và các bộ phận có thể được đặt sai vị trí, vì những lỗi này có thể làm hỏng hiệu suất và tuổi thọ của PCB.

Hệ thống thị giác máy có thể được đào tạo trên nhiều vùng cần kiểm tra và học cách xác định từng thành phần riêng lẻ, nhưng những thay đổi về diện mạo do độ tương phản ánh sáng, thay đổi về góc nhìn và hướng hoặc ánh sáng chói vẫn có thể gây nhầm lẫn cho hệ thống. Đặc biệt là trên PCB nơi có nhiều chi tiết các thành phần gần nhau, hệ thống thị giác máy có thể gặp khó khăn trong việc phân biệt các thành phần riêng lẻ, khiến nó không thể kiểm tra chính xác. Trong khi các nhân viên kiểm tra có thể phân biệt giữa các thành phần nhưng  không thể đáp ứng nhu cầu thông lượng tốc độ cao.

Việc lập trình các hệ kiểm tra này thành một thuật toán dựa trên quy tắc thì tốn nhiều thời gian và dễ xảy ra lỗi, chưa kể đến việc duy trì tính ổn định rất khó khăn. May mắn thay, các hệ thống thị giác dựa trên học sâu sánh ngang với sự linh hoạt, khả năng sáng suốt và khả năng ra quyết định dựa trên phán đoán của con người với lợi ích bổ sung là tốc độ và độ mạnh của máy tính.

Được đào tạo về một tập hợp các hình ảnh tham chiếu của một PCB hoàn chỉnh, công cụ có thể xây dựng một mô hình tham chiếu của một bảng PCB được lắp ráp hoàn chỉnh. Mô hình có thể xác định các thành phần riêng lẻ dựa trên kích thước, hình dạng và tính năng tổng quát của chúng — mặc dù hình dạng của chúng nhất định thay đổi trong quá trình kiểm tra — và dự đoán vị trí của chúng trên bảng. Trong quá trình kiểm tra, Cognex Deep Learning có thể xác định nhiều khu vực quan tâm để xác định vị trí, đếm và kiểm tra các thành phần nhằm đảm bảo chúng có mặt và được lắp ráp chính xác.

Phân loại

Thị giác máy cũng có những hạn chế cố hữu, bao gồm khả năng phân loại. Điều này trở thành bài toán khó trong các ứng dụng điện tử, nơi các thành phần cần được xác định và nhóm thành nhiều lớp và hệ thống kiểm tra cần phải chịu đựng một số thay đổi trực quan.

Tụ điện tử là một ví dụ điển hình về một thành phần thay đổi theo loại (gốm và điện) cũng như theo kích thước (lớn và nhỏ) và màu sắc (vàng và không phải vàng). Một nhà sản xuất cần phân loại tụ điện phải đối mặt với nhiệm vụ khó khăn là tạo ra hình ảnh đơn lẻ chứa nhiều phân loại — ví dụ, tụ điện bằng gốm vàng có dấu đen hoặc tụ điện vàng có dấu màu xanh lam. Hệ thống kiểm tra cần có khả năng phân loại linh kiện theo tiêu chí của nhà sản xuất để phân biệt tụ điện bằng màu sắc và dấu hiệu của chúng trong khi bỏ qua các tiêu chí khác.

Để thực hiện điều này một cách tự động, một kỹ sư ứng dụng công ngệ học sâu để tìm ra giải pháp. Phần mềm dựa trên học sâu hoạt động ở chế độ được giám sát có thể được đào tạo để vừa phát hiện nhóm đặc điểm có chọn lọc (ví dụ: cả tụ điện vàng và tụ điện), vừa phân biệt giữa các đặc điểm riêng lẻ của từng tụ điện (dấu vàng, đen hoặc xanh lam) trong khi bỏ qua các biến thể bổ sung trong cùng một loại. Hệ thống dựa trên học sâu có thể phân loại và sắp xếp chính xác nhiều loại của một thành phần trong một hình ảnh duy nhất — một lợi ích to lớn so với thị giác máy.

Tự động hóa quy trình sản xuất và nâng cao chất lượng là hai nhu cầu lớn nhất của ngành công nghiệp điện tử, tuy nhiên một số ứng dụng quá phức tạp và tốn thời gian để lập trình thành một thuật toán dựa trên quy tắc. Công nghệ Deep Learning tận dụng sức mạnh của trí tuệ nhân tạo về phân tích hình ảnh để giải quyết các ứng dụng điện tử đầy thách thức liên quan đến vị trí bộ phận, kiểm tra mỹ phẩm, phân loại và nhận dạng ký tự.

Nguồn: Cognex.com