Inspection des soudures par points des bobines acoustiques de smartphone

Vérifiez que les fils d’entrée de courant sont correctement soudés aux plots de contact de sortie

Smartphone voice coil spot weld inspection fail examples

Produits Connexes

In-Sight D900

In-Sight D900

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

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

Dans un smartphone, la bobine acoustique est un composant qui fait vibrer la membrane des haut-parleurs pour produire un son. Elle réagit à un signal électrique provenant de deux fils d’entrée de courant connectés aux plots de contact de sortie au moyen d’un soudage aluminothermique par pression. Les fils d’entrée de courant étant fins, la marge d’erreur permise pour qu’une soudure reste acceptable est extrêmement faible.

Il existe de nombreux défauts possibles :

  • Fil cassé ou manquant
  • Excès de soudure, qui peut raccourcir la durée de vie du fil
  • Manque de soudure, qui crée un contact faible susceptible de se détacher
  • Absence de soudure, le fil est au bon endroit mais non connecté
  • Erreur de connexion, le fil est connecté au mauvais endroit sur le plot de contact de sortie

Les connexions avec un excès ou un manque de soudure peuvent passer avec succès l’inspection électrique, mais elles risquent ensuite un dysfonctionnement prématuré sur le terrain. L’inspection visuelle détecte de façon plus fiable ces défauts.

La vision industrielle classique est extrêmement difficile à programmer pour détecter tous les problèmes de soudage possibles tant ils sont nombreux. L’arrière-plan derrière les fils et les soudures est variable et les plots de contact de sortie sont texturés, ce qui rend l’image encore plus complexe. Des lots de plots de contact différents n’ont pas forcément le même aspect, ce qui modifie l’arrière-plan et entraîne une baisse soudaine de la précision.

Par ailleurs, les bonnes soudures par points peuvent présenter d’importantes variations de forme, de couleur, de texture et d’autres caractéristiques. Le recours à la vision industrielle classique basée sur les règles pour identifier ce large éventail de soudures acceptables entraîne un taux élevé de faux positifs, qui doivent ensuite être inspectés manuellement.

L’outil de détection des défauts de Cognex Deep Learning est idéal pour détecter les anomalies sur les connexions de carte SIM. Il s’entraîne sur un ensemble d’images de cartes SIM exemptes de défauts ainsi que sur un ensemble d’images de cartes SIM défectueuses. Une fois entraîné, l’outil détecte de façon précise un large éventail de défauts sur les connecteurs tout en ignorant les marques purement esthétiques qui ne nuisent pas au fonctionnement.

La vision industrielle classique ne parvient qu’à détecter un nombre limité de types de défauts dans une position fixe. À l’inverse, l’outil de détection des défauts basé sur le Deep Learning identifie et détecte de nombreux types de défauts, quel que soit leur emplacement sur l’élément inspecté. Grâce aux capacités de l’outil de détection des défauts, il est possible de réduire le nombre de postes d’inspection par vision nécessaires, ce qui permet de diminuer les coûts de test et d’améliorer la précision de détection des défauts.

 

Exemples de réussite et d’échec de l’inspection des soudures par points des bobines acoustiques de smartphone

 

Produits Cognex connexes

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

Rejoindre MyCognex