Blogs Cognex

Comment le Deep Learning automatise-t-il les inspections pour le secteur de l’électronique ?

deep learning electronics industry

La vision industrielle est très présente dans le secteur de la fabrication de matériel électronique. Les pièces des produits deviennent de plus en plus petites pour répondre aux attentes des clients, qui cherchent des appareils fins et légers, et la nécessité d’un processus de fabrication plus rentable se fait ressentir. Il est donc essentiel pour les fabricants d’automatiser tous les aspects de leurs processus de production sans pour autant compromettre la qualité des produits.

Cependant, il existe des applications, en particulier dans les secteurs des appareils mobiles et des semi-conducteurs, qui résistent encore à l’automatisation en raison de leur complexité et des frais à engager pour leur programmation. Dans ces cas de figure, le recours à des inspecteurs humains est certes fréquent, mais inefficace lorsqu’il s’agit de prendre des décisions basées sur le jugement avec plusieurs pièces, assemblages et scènes différents. Pourtant, malgré leur fiabilité par rapport aux machines, les inspecteurs humains sont susceptibles d’introduire des erreurs car sujets à la fatigue.

Pour cette raison, les fabricants d’électronique se tournent vers des solutions d’inspection basées sur le Deep Learning, qui combinent la flexibilité de l’esprit humain et la robustesse d’un ordinateur pour fournir des résultats d’inspection rapides et particulièrement fiables. Pour découvrir comment le Deep Learning révolutionne les tâches d’inspection, de lecture de codes et de classification dans le secteur de l’électronique, poursuivez la lecture de cet article.

Détection des défauts

Sur les cartes de circuit imprimé assemblées, la soudure précise des composants est une condition strictement nécessaire pour que l’électricité puisse circuler. Les plus petits défauts peuvent entraîner des interférences et des défaillances. La détection des défauts est donc un aspect essentiel. Pourtant, les nombreux défauts de soudure, tels que l’excès ou le manque de pénétration et l’irrégularité, peuvent apparaître différemment aux systèmes de vision, non seulement à cause de leurs différences subtiles et pourtant naturelles, mais aussi parce que les problèmes d’imagerie, tels que les reflets, déforment et modifient leur présentation devant la caméra.

détection des défauts basée sur le deep learning pour le secteur de l’électronique

Tout système d’inspection automatisé doit tolérer une variation significative entre les pièces (par exemple, un manque et un excès de pénétration) dans des conditions pouvant entraîner une faible qualité d’image. Les solutions basées sur le Deep Learning sont capables de localiser la zone d’intérêt et d’inspecter les soudures en tolérant une variation significative d’une pièce à l’autre, et ce sans aucune programmation basée sur les règles, qui serait trop fastidieuse, voire parfois impossible à mettre en place.

L’outil de Deep Learning de Cognex pour la détection des défauts apprend à identifier un grand nombre de défauts après avoir été entraîné à l’aide d’un ensemble représentatif d’images étiquetées comme « bonnes » (acceptées) et « mauvaises » (rejetées). En s’appuyant sur ces images, Cognex Deep Learning développe un modèle de référence de l’aspect normal d’une soudure, ainsi que des défauts intolérables, qui tient compte des variations d’aspects pouvant être attribuées aux problèmes d’imagerie ou aux reflets.

Reconnaissance optique de caractères

Comme tous les caractères alphanumériques imprimés sur des composants et modules électroniques, les numéros de série imprimés sur les puces peuvent être irréguliers, asymétriques ou mal gravés. Ces caractéristiques constituent un défi pour les outils OCR classiques, qui doivent être entraînés à l’aide d’une bibliothèque de polices et de caractères, et de leurs différentes présentations.

OCR basée sur le deep learning pour le secteur de l’électronique

Même les meilleurs outils, que les utilisateurs peuvent entraîner afin de lire des chaînes complètes de caractères en une seule étape, de supprimer des caractères uniques, d’apprendre plusieurs instances d’un même caractère, et de charger et d’enregistrer les polices apprises pour les nouvelles applications, sont fastidieux à utiliser et peuvent avoir du mal à identifier un caractère qui présente une déformation inattendue.

Les outils basés sur le Deep Learning s’appuient sur des bibliothèques prédéfinies pour reconnaître et vérifier les caractères, même si leur présentation change. De cette façon, seuls les caractères qui n’ont pas pu être lus doivent être appris à nouveau par le système lors de l’étape de test et de validation. Cette stratégie permet d’améliorer immédiatement la précision du système d’inspection et réduit les temps d’arrêt associés au réapprentissage.

Vérification de l’assemblage

La vérification de l’assemblage est une application notoirement difficile à programmer en raison des nombreux composants différents à prendre en compte. Il est nécessaire de vérifier que ces composants sont bien présents, mais aussi correctement assemblés et orientés. Ces inspections peuvent être effectuées à l’aide d’une technologie 2D ou 3D en fonction du sous-assemblage concerné.

Prenons un exemple classique : la vérification de l’assemblage final d’une carte de circuit imprimé sur laquelle ont été soudés des LED, des microprocesseurs et d’autres dispositifs. Le système d’inspection est chargé de repérer les composants manquants et les pièces susceptibles d’être mal positionnées, puisque ces erreurs peuvent affecter les performances et la durée de vie de la carte de circuit imprimé.

vérification de l’assemblage basée sur le deep learning pour le secteur de l’électronique

Les systèmes de vision industrielle peuvent être entraînés sur plusieurs zones d’intérêt et apprendre à identifier chaque composant individuellement, mais les variations d’aspect dues aux contrastes d’éclairage, aux changements de perspectives et d’orientation ou encore aux reflets, sont toujours une gêne pour le système. Sur les cartes de circuit imprimé chargées en particulier, où les composants sont proches les uns des autres, les systèmes de vision industrielle peuvent avoir du mal à distinguer chaque composant et les rejeter à tort lors de l’inspection. Si les inspecteurs humains sont pour leur part capables de distinguer les différents composants, ils ne sont pas en mesure de suivre la cadence élevée et affectent le rendement.

Programmer ces inspections à l’aide d’un algorithme basé sur les règles est une tâche fastidieuse sujette aux erreurs et dont la maintenance sur site reste difficile. Heureusement, les systèmes de vision basés sur le Deep Learning ont tout pour rivaliser avec les humains en matière de flexibilité, de discernement et de prise de décision basée sur le jugement, avec un avantage en plus : la vitesse et la robustesse d’un ordinateur.

Entraîné à l’aide d’un ensemble d’exemples étiquetés, l’outil peut développer un modèle de référence d’une carte de circuit imprimé entièrement assemblée. Il peut ensuite identifier chaque composant en fonction de sa taille, sa forme et ses caractéristiques généralisées, même si son apparence est amenée à changer pendant l’inspection, et prévoir son emplacement sur la carte. Au cours de l’inspection, Cognex Deep Learning peut identifier plusieurs zones d’intérêt pour localiser, compter et inspecter les composants afin de vérifier qu’ils sont présents et correctement assemblés.

Classification

La vision industrielle a des limites, notamment sa capacité de classification. Cet aspect se révèle contraignant pour les applications électroniques qui nécessitent d’identifier les composants et de les regrouper en plusieurs catégories, et pour lesquelles le système d’inspection doit tolérer une certaine variation visuelle.

classification basée sur le deep learning pour le secteur de l’électronique

Les condensateurs électroniques sont un bon exemple de composant variable selon son type (en céramique ou électrique) ainsi que selon sa taille (petit ou grand) et sa couleur (doré ou non). Un fabricant qui cherche à trier ses condensateurs se retrouve confronté à une tâche complexe : analyser une image qui contient plusieurs catégories de condensateurs, par exemple certains qui sont en céramique dorée avec des marquages noirs et d’autres qui sont électriques de couleur dorée avec des marquages bleus. Le système d’inspection doit pouvoir trier les composants selon les critères du fabricant, qui souhaite différencier les condensateurs électriques en fonction de leur couleur et de leurs marquages, tout en ignorant les autres critères.

Pour automatiser cette tâche, un ingénieur en applications d’inspection n’a d’autre solution que de recourir au Deep Learning. Le logiciel basé sur le Deep Learning fonctionnant en mode supervisé peut être entraîné pour détecter un regroupement choisi de caractéristiques (par exemple, des condensateurs à la fois dorés et électriques) et différencier les caractéristiques de chaque condensateur (marquages bleus, noirs ou dorés), tout en ignorant les autres variations du même type. Le système basé sur le Deep Learning est capable de classer et de trier avec précision plusieurs types d’un même composant sur une image unique, ce qui est un avantage considérable par rapport à la vision industrielle.

L’automatisation des processus de production et l’amélioration de la qualité sont deux des plus grandes exigences du secteur de l’électronique. Pourtant, certaines applications sont trop difficiles et fastidieuses à programmer avec un algorithme basé sur les règles. Cognex Deep Learning met à profit la puissance de l’intelligence artificielle pour l’analyse des images afin de répondre aux besoins des applications électroniques complexes nécessitant la localisation des pièces, l’inspection esthétique, la classification et la reconnaissance de caractères.

Plus d’articles

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

Rejoindre MyCognex

AVEZ-VOUS DES QUESTIONS ?

Les représentants de chez Cognex sont disponibles dans le monde entier pour soutenir votre vision et vos besoins de lecture de codes-barres industriels.

Contact commercial
Loading...