Inspection du brasage des condensateurs

Identifiez les petits défauts sur l’épargne de brasage, qui peuvent causer des ruptures de câbles, des courts-circuits et d’autres problèmes électriques.

Capacitor Solder Inspection

Produits connexes

VisionPro ViDi Software inspecting computer mouse on monitor

VisionPro Deep Learning

Un environnement de programmation graphique pour l'analyse d'images industrielles basée sur le deep learning

In-Sight D900

In-Sight D900

Optimisé par le logiciel de vision basé sur le deep learning In-Sight ViDi

Pour que les connexions électriques ne présentent aucune interférence lors du montage d’un composant tel que la diode d’une souris, l’épargne de brasage doit être appliquée proprement sur une carte nue. Même de petits défauts dans l’épargne de brasage peuvent causer des ruptures de câbles, des courts-circuits et d’autres problèmes électriques. Ces défauts varient en termes de taille, de forme et d’aspect en raison de la réflexion spéculaire. Il est difficile de programmer une inspection automatique qui tolère les variations significatives des pièces dans ces conditions.

Cognex Deep Learning identifie rapidement l’épargne de brasage sur une diode alors que les autres méthodes ont du mal à l’inspecter dans les mêmes conditions d’éclairage. L’outil de vérification de l’assemblage et de localisation des pièces est entraîné sur une série d’images représentatives de l’épargne de brasage afin d’apprendre l’aspect normal d’une bonne et d’une mauvaise épargne de brasage. Lors de l’exécution, l’outil indexe et localise l’épargne de brasage sur les cartes de circuit imprimé, malgré les variations de réflexion spéculaire. Lors de la deuxième étape d’inspection, toute anomalie fonctionnelle, telle que le pontage, la compensation ou l’écart, doit être identifiée. Grâce à l’outil de détection des défauts en mode supervisé, l’utilisateur peut entraîner le logiciel sur une série représentative de bonnes et mauvaises épargnes de brasage présentant des défauts indiqués.

Cognex Deep Learning se base sur ces images pour apprendre la texture naturelle de la diode d’une souris et l’aspect normal de l’épargne de brasage. Des images supplémentaires peuvent être ajoutées à la série d’entraînement lors du test de validation pour refléter d’autres exemples et optimiser le modèle. Les différents paramètres peuvent être ajustés lors des phases d’apprentissage et de validation pour permettre au modèle de gérer les variations d’aspect afin de détecter correctement toutes les diodes présentant une épargne de brasage défectueuse.

Produits Cognex connexes

ACCÉDEZ AU SUPPORT ET AUX FORMATIONS POUR VOS PRODUITS ET BIEN PLUS

Rejoindre MyCognex