Schwingspulen-Schweißpunktprüfung von Smartphones

Korrekte Schweißung der Zuleitungsdrähte an den Ausgangs-Kontaktpads gewährleisten

Smartphone voice coil spot weld inspection fail examples

Ähnliche Produkte

In-Sight D900

In-Sight D900

Ausgestattet mit der In-Sight ViDi Deep-Learning-basierten Bildverarbeitungssoftware

VisionPro ViDi Software inspecting computer mouse on monitor

VisionPro Deep Learning

Grafische Programmierumgebung für Deep Learning-basierte industrielle Bildanalyse

Die Schwingspule in einem Smartphone ist jener Teil, der die Lautsprechermembran vibrieren lässt, damit sie Töne erzeugt. Sie reagiert auf ein elektrisches Signal, das von zwei flexiblen Zuleitungsdrähten kommt, die durch Pressschweißung im Thermitverfahren mit den Ausgangs-Kontaktpads verbunden sind. Die Zuleitungsdrähte sind dünn, so dass der Spielraum für Fehler bei einer guten Schweißung äußerst klein ist.

Es gibt viele mögliche Defekte:

  • Defekter oder fehlender Draht
  • Überschweißung, welche die Lebensdauer des Drahtes verkürzen kann
  • Unterschweißung, die zu einem schwachen Kontakt führt, der getrennt werden kann
  • Nicht erfolgte Schweißung, bei der der Draht zwar an der richtigen Stelle jedoch nicht verschweißt ist
  • Fehlanschluss, bei dem der Draht an der falschen Stelle mit dem Ausgangs-Kontaktpad verbunden ist

Unter- oder übergeschweißte Verbindungen bestehen möglicherweise die elektrische Prüfung, fallen aber dann im Einsatz vorzeitig aus. Die visuelle Prüfung kann solche Fehler zuverlässiger erkennen.

Da die Bandbreite möglicher Schweißprobleme groß ist, ist es äußerst schwierig, ein industrielles Bildverarbeitungssystem, so zu programmieren, dass es alle Fehler findet. Der Hintergrund, vor dem der Draht und die Schweißung betrachtet werden, ist variabel und die Ausgangs-Kontaktpads sind ebenfalls texturiert, was die Komplexität des Bildes erhöht. Verschiedene Kontaktpad-Chargen können unterschiedlich aussehen, was den Hintergrund ändert und zu einem abrupten Rückgang der Genauigkeit führt.

Darüber hinaus können gute Schweißpunkte in Form, Farbe, Textur und anderen Merkmalen stark variieren. Der Einsatz herkömmlicher regelbasierter Bildverarbeitung zur Erkennung dieser großen Bandbreite zulässiger Schweißungen führt zu einer hohen Rate falsch positiver Ergebnisse, die dann manuell geprüft werden müssen.

Die Deep-Learning-Defekterkennung von Cognex eignet sich perfekt zur Erkennung von Abweichungen auf SIM-Karten-Anschlüssen. Das Defekterkennungstool wird anhand eines Bildsatzes mit fehlerfreien SIM-Karten sowie eines Bildsatzes mit fehlerhaften SIM-Karten trainiert. Nach dem Training erkennt es viele Fehler am Steckverbinder genau, während rein kosmetische Abweichungen, welche die Funktion nicht beeinträchtigen, die Prüfung bestehen.

Herkömmliche industrielle Bildverarbeitung kann nur eine begrenzte Zahl an Fehlertypen, die in gleichbleibender Position auftreten, erkennen. Das Deep-Learning-Defekterkennungstool definiert und erkennt hingegen viele verschiedene Fehlertypen, unabhängig davon, wo sie sich auf dem geprüften Artikel befinden. Durch die Fähigkeiten des Defekterkennungstools ist es möglich, die Zahl der erforderlichen Stationen für die Bildverarbeitungsinspektion zu reduzieren. Das senkt die Prüfungskosten, während ein hoher Grad genauer Defekterkennung erzielt wird.

 

Pass- und Fail-Beispiele Schwingspulen-Schweißpunktprüfung von Smartphones

 

Empfohlene Cognex-Produkte

ERHALTEN SIE ZUGANG ZU SUPPORT & TRAINING FÜR PRODUKTE & MEHR

Werden Sie Teil von MyCognex