• Contatto vendite Cognex: +39 02 3057 8196

  • Contatti

Blog Cognex

Come il deep learning automatizza le ispezioni per il settore dei componenti elettronici

deep learning electronics industry

L'industria della produzione di hardware e componenti elettronici è ben servita dalla visione industriale. Dato che i componenti dei prodotti diventano sempre più piccoli in ragione della domanda da parte dei consumatori per prodotti sottili e leggeri e che la domanda per una produzione efficace in termini di costo aumenta, è fondamentale per i produttori automatizzare ogni aspetto dei loro processi di produzione senza sacrificare la qualità.  

Tuttavia ci sono applicazioni, soprattutto nei settori dei semiconduttori e dei dispositivi mobili, che resistono all'automazione in ragione della loro complessità e delle spese di programmazione. In questi casi, affidarsi ad ispettori umani rappresenta il compromesso prevalente seppure inefficiente per gestire decisioni di tipo valutativo che coinvolgono più componenti, assemblaggi e scenari diversi. Eppure, nonostante la loro affidabilità rispetto alle macchine, gli ispettori umani tendono a commettere errori quando la fatica si fa sentire.

Per questi motivi, i produttori di componenti elettronici stanno cercando soluzioni d'ispezione basate sul deep learning, che combinino in maniera unica la flessibilità della mente umana con la robustezza di un computer per risultati di ispezione rapidi ed altamente affidabili. Continua a leggere per scoprire come il deep learning rivoluziona le ispezioni, la lettura di codici e i compiti di classificazione per il settore dei componenti elettronici.

Rilevamento di difetti

I circuiti stampati assemblati fanno affidamento su una saldatura precisa dei componenti per garantire che l'elettricità possa fluire. I difetti più minimi possono infatti causare interferenze e guasti. Ciò rende critico il rilevamento di difetti. Eppure la grande varietà di difetti di saldatura (potenza eccessiva o insufficiente oppure disomogenea durante la saldatura) assumono un aspetto diverso se osservati da un sistema di visione non soltanto per le loro sottili ma intrinseche differenze, ma anche per problemi di immagine quali il riverbero, che ne distorcono e ne modificano la presentazione alla telecamera.

rilevamento di difetti con deep learning per il settore dei componenti elettronici

Qualsiasi sistema di ispezione automatizzato deve tollerare variazioni significative da un componente all'altro (ad esempio, una saldatura creata con una potenza insufficiente rispetto a una creata con una potenza eccessiva) in condizioni di qualità dell'immagine difficili. Le soluzioni basate sul deep learning sono in grado di fissare la regione di interesse e di ispezionare le saldature con una significativa variazione da componente a componente senza ricorrere a una programmazione basata su regole che sarebbe troppo onerosa in termini di tempo, tediosa o a volte addirittura impossibile.

Lo strumento di deep learning di Cognex per il rilevamento di difetti apprende a individuare una varietà di difetti di saldatura dopo essere stato addestrato su una serie rappresentativa di immagini etichettate note per essere "conformi" (ossia equivalenti a un risultato "accettato") e "non conformi" (ossia equivalenti a un risultato "rifiutato"). Sulla base di tali immagini, il Deep Learning di Cognex è in grado di costruire un modello di riferimento dell'aspetto normale di una saldatura, oltre a difetti non tollerabili, che vengono considerati variazioni di aspetto che potrebbero essere attribuibili a problemi di imaging e riverbero.

Riconoscimento ottico dei caratteri

Come qualsiasi carattere alfanumerico stampato su componenti e moduli elettronici, i numeri di serie stampati sui chip sono vulnerabili a deformazioni, inclinazioni e incisione di scarsa qualità. Tali caratteristiche sfidano gli strumenti OCR tradizionali che devono essere addestrati su una libreria di font e caratteri e sulle loro varie presentazioni.

OCR con deep learning per il settore dei componenti elettronici

Anche i migliori strumenti, quelli che permettono agli utenti di addestrare intere stringhe di caratteri in un unico passaggio, rimuovere singoli caratteri, effettuare un addestramento su più istanze dei medesimi caratteri e caricare o salvare i caratteri addestrati in nuove applicazioni, richiedono molto tempo e possono comunque avere difficoltà nell'identificare un carattere che presenti una deformità inaspettata.

Gli strumenti basati sul deep learning utilizzano librerie preaddestrate per riconoscere e verificare i caratteri, anche quando le loro presentazioni cambiano; in questo modo, nella fase di collaudo e convalida, occorre riaddestrare nel sistema soltanto i caratteri non riconosciuti. In questo modo il sistema d'ispezione ha maggiori probabilità di conseguire una precisione migliore appena installato e riduce al minimo i tempi di inattività dovuti a un ulteriore addestramento.

Verifica dell'assemblaggio

La verifica dell'assemblaggi è un'applicazione notoriamente difficile da automatizzare in ragione del numero di componenti diversi che devono essere considerati. Tali componenti devono essere verificati come presenti, nonché correttamente montati e orientati. Tali verifiche possono essere effettuate tanto in 2D quanto in 3D, a seconda del sottoinsieme.

Un esempio classico è la verifica dell'assemblaggio finale di un circuito stampato sul quale sono stati saldati LED, microprocessori e altri dispositivi a montaggio superficiale. Il sistema d'ispezione è responsabile della cattura di componenti e parti mancanti che possono essere posizionate in modo errato, dato che questi errori possono danneggiare le prestazioni e la durata di vita dei circuiti stampati.

verifica di assemblaggi con deep learning per il settore dei componenti elettronici

I sistemi di visione industriale possono essere addestrati su più regioni di interesse e imparare ad individuare ogni singolo componente, tuttavia le variazioni nell'aspetto dovute a contrasti di illuminazione, a cambiamenti di prospettiva e di orientamento o al riverbero possono comunque confondere il sistema. Soprattutto su un circuito stampato con un'elevata densità di elementi, nei quali i componenti sono vicini tra loro, un sistema di visione industriale può avere problemi a distinguere i singoli componenti e ciò può causare il mancato superamento di un'ispezione. Gli ispettori umani sono in grado di distinguere tra i componenti, ma semplicemente non sono in grado di soddisfare le esigenze di produttività ad alta velocità.

La programmazione di tali ispezioni in un algoritmo basato su regole è dispendiosa in termini di tempo e comunque soggetta a errori, per non parlare della difficoltà di manutenzione sul campo. Fortunatamente, i sistemi di visione basati sul deep learning emulano la flessibilità, il discernimento e il processo decisionale di tipo valutativo di un essere umano offrendo l'ulteriore vantaggio della velocità e della robustezza di un computer.

Addestrato su una serie di riferimenti di esempio etichettati, questo strumento può creare un modello di riferimento di un circuito stampato completamente assemblato. Il modello è in grado di identificare i singoli componenti in base alle dimensioni, alla forma e alle caratteristiche generalizzate degli stessi, anche se il loro aspetto è destinato a cambiare durante l'ispezione, e di prevedere la loro posizione sul circuito. Durante l'ispezione, il Deep Learning di Cognex è in grado di identificare più regioni di interesse per localizzare, contare e ispezionare i componenti al fine di garantire che siano presenti e correttamente assemblati.

Classificazione

La visione industriale è soggetta a limiti intrinseci, tra i quali la capacità di classificazione. Ciò diventa oneroso nelle applicazioni elettroniche nelle quali i componenti devono essere identificati e raggruppati in più classi e il sistema d'ispezione deve tollerare qualche variazione visiva.

classificazione con deep learning per il settore dei componenti elettronici

I condensatori elettronici sono un buon esempio di un componente che varia in base al tipo (ceramico ed elettrolitico) così come in termini di dimensioni (grandi e piccoli) e colore (oro e non oro). Un produttore che ha la necessità di separare i condensatori si trova di fronte al difficile compito di dare un senso ad un'immagine singola che contiene più classificazioni, ad esempio, condensatori in ceramica color oro con marcature nere o condensatori elettrolitici color oro con marcature blu. Il sistema d'ispezione deve essere in grado di ordinare i componenti secondo i criteri del produttore al fine di distinguere i condensatori elettrici in base al loro colore e alle marcature, ignorando altri criteri.

Per svolgere questa attività automaticamente, un ingegnere che sviluppa applicazioni di ispezione deve rivolgersi al deep learning per trovare una soluzione. È possibile addestrare il software basato sul deep learning che opera in modalità supervisionata affinché rilevi un raggruppamento selettivo di tratti (ad esempio i condensatori dorati ed elettrolitici) e sia anche in grado di distinguere tra i singoli tratti di ciascun condensatore (marcature color oro, nero o blu), ignorando ulteriori variazioni all'interno del medesimo tipo. Il sistema basato sul deep learning è in grado di classificare e separare accuratamente più tipi di un singolo componente in un'unica immagine: un vantaggio enorme rispetto alla visione industriale.

Automatizzare i processi di produzione e migliorare la qualità sono due esigenze fondamentali del settore dei componenti elettronici, tuttavia alcune applicazioni sono troppo complicate e richiedono troppo tempo per essere programmate in un algoritmo basato su regole. Il Deep Learning di Cognex sfrutta la potenza dell'intelligenza artificiale in termini di analisi delle immagini per risolvere applicazioni elettroniche impegnative che comportano la localizzazione di componenti, l'ispezione cosmetica, la classificazione e il riconoscimento dei caratteri.

Altri post in merito a

Come il deep learning automatizza le ispezioni per il settore dei componenti elettronici

deep learning electronics industry

L'industria della produzione di hardware e componenti elettronici è ben servita dalla visione industriale. Dato che i componenti dei prodotti diventano sempre più piccoli in ragione della domanda da parte dei consumatori per prodotti sottili e leggeri e che la domanda per una produzione efficace in termini di costo aumenta, è fondamentale per i produttori automatizzare ogni aspetto dei loro processi di produzione senza sacrificare la qualità.  

Tuttavia ci sono applicazioni, soprattutto nei settori dei semiconduttori e dei dispositivi mobili, che resistono all'automazione in ragione della loro complessità e delle spese di programmazione. In questi casi, affidarsi ad ispettori umani rappresenta il compromesso prevalente seppure inefficiente per gestire decisioni di tipo valutativo che coinvolgono più componenti, assemblaggi e scenari diversi. Eppure, nonostante la loro affidabilità rispetto alle macchine, gli ispettori umani tendono a commettere errori quando la fatica si fa sentire.

Per questi motivi, i produttori di componenti elettronici stanno cercando soluzioni d'ispezione basate sul deep learning, che combinino in maniera unica la flessibilità della mente umana con la robustezza di un computer per risultati di ispezione rapidi ed altamente affidabili. Continua a leggere per scoprire come il deep learning rivoluziona le ispezioni, la lettura di codici e i compiti di classificazione per il settore dei componenti elettronici.

Rilevamento di difetti

I circuiti stampati assemblati fanno affidamento su una saldatura precisa dei componenti per garantire che l'elettricità possa fluire. I difetti più minimi possono infatti causare interferenze e guasti. Ciò rende critico il rilevamento di difetti. Eppure la grande varietà di difetti di saldatura (potenza eccessiva o insufficiente oppure disomogenea durante la saldatura) assumono un aspetto diverso se osservati da un sistema di visione non soltanto per le loro sottili ma intrinseche differenze, ma anche per problemi di immagine quali il riverbero, che ne distorcono e ne modificano la presentazione alla telecamera.

rilevamento di difetti con deep learning per il settore dei componenti elettronici

Qualsiasi sistema di ispezione automatizzato deve tollerare variazioni significative da un componente all'altro (ad esempio, una saldatura creata con una potenza insufficiente rispetto a una creata con una potenza eccessiva) in condizioni di qualità dell'immagine difficili. Le soluzioni basate sul deep learning sono in grado di fissare la regione di interesse e di ispezionare le saldature con una significativa variazione da componente a componente senza ricorrere a una programmazione basata su regole che sarebbe troppo onerosa in termini di tempo, tediosa o a volte addirittura impossibile.

Lo strumento di deep learning di Cognex per il rilevamento di difetti apprende a individuare una varietà di difetti di saldatura dopo essere stato addestrato su una serie rappresentativa di immagini etichettate note per essere "conformi" (ossia equivalenti a un risultato "accettato") e "non conformi" (ossia equivalenti a un risultato "rifiutato"). Sulla base di tali immagini, il Deep Learning di Cognex è in grado di costruire un modello di riferimento dell'aspetto normale di una saldatura, oltre a difetti non tollerabili, che vengono considerati variazioni di aspetto che potrebbero essere attribuibili a problemi di imaging e riverbero.

Riconoscimento ottico dei caratteri

Come qualsiasi carattere alfanumerico stampato su componenti e moduli elettronici, i numeri di serie stampati sui chip sono vulnerabili a deformazioni, inclinazioni e incisione di scarsa qualità. Tali caratteristiche sfidano gli strumenti OCR tradizionali che devono essere addestrati su una libreria di font e caratteri e sulle loro varie presentazioni.

OCR con deep learning per il settore dei componenti elettronici

Anche i migliori strumenti, quelli che permettono agli utenti di addestrare intere stringhe di caratteri in un unico passaggio, rimuovere singoli caratteri, effettuare un addestramento su più istanze dei medesimi caratteri e caricare o salvare i caratteri addestrati in nuove applicazioni, richiedono molto tempo e possono comunque avere difficoltà nell'identificare un carattere che presenti una deformità inaspettata.

Gli strumenti basati sul deep learning utilizzano librerie preaddestrate per riconoscere e verificare i caratteri, anche quando le loro presentazioni cambiano; in questo modo, nella fase di collaudo e convalida, occorre riaddestrare nel sistema soltanto i caratteri non riconosciuti. In questo modo il sistema d'ispezione ha maggiori probabilità di conseguire una precisione migliore appena installato e riduce al minimo i tempi di inattività dovuti a un ulteriore addestramento.

Verifica dell'assemblaggio

La verifica dell'assemblaggi è un'applicazione notoriamente difficile da automatizzare in ragione del numero di componenti diversi che devono essere considerati. Tali componenti devono essere verificati come presenti, nonché correttamente montati e orientati. Tali verifiche possono essere effettuate tanto in 2D quanto in 3D, a seconda del sottoinsieme.

Un esempio classico è la verifica dell'assemblaggio finale di un circuito stampato sul quale sono stati saldati LED, microprocessori e altri dispositivi a montaggio superficiale. Il sistema d'ispezione è responsabile della cattura di componenti e parti mancanti che possono essere posizionate in modo errato, dato che questi errori possono danneggiare le prestazioni e la durata di vita dei circuiti stampati.

verifica di assemblaggi con deep learning per il settore dei componenti elettronici

I sistemi di visione industriale possono essere addestrati su più regioni di interesse e imparare ad individuare ogni singolo componente, tuttavia le variazioni nell'aspetto dovute a contrasti di illuminazione, a cambiamenti di prospettiva e di orientamento o al riverbero possono comunque confondere il sistema. Soprattutto su un circuito stampato con un'elevata densità di elementi, nei quali i componenti sono vicini tra loro, un sistema di visione industriale può avere problemi a distinguere i singoli componenti e ciò può causare il mancato superamento di un'ispezione. Gli ispettori umani sono in grado di distinguere tra i componenti, ma semplicemente non sono in grado di soddisfare le esigenze di produttività ad alta velocità.

La programmazione di tali ispezioni in un algoritmo basato su regole è dispendiosa in termini di tempo e comunque soggetta a errori, per non parlare della difficoltà di manutenzione sul campo. Fortunatamente, i sistemi di visione basati sul deep learning emulano la flessibilità, il discernimento e il processo decisionale di tipo valutativo di un essere umano offrendo l'ulteriore vantaggio della velocità e della robustezza di un computer.

Addestrato su una serie di riferimenti di esempio etichettati, questo strumento può creare un modello di riferimento di un circuito stampato completamente assemblato. Il modello è in grado di identificare i singoli componenti in base alle dimensioni, alla forma e alle caratteristiche generalizzate degli stessi, anche se il loro aspetto è destinato a cambiare durante l'ispezione, e di prevedere la loro posizione sul circuito. Durante l'ispezione, il Deep Learning di Cognex è in grado di identificare più regioni di interesse per localizzare, contare e ispezionare i componenti al fine di garantire che siano presenti e correttamente assemblati.

Classificazione

La visione industriale è soggetta a limiti intrinseci, tra i quali la capacità di classificazione. Ciò diventa oneroso nelle applicazioni elettroniche nelle quali i componenti devono essere identificati e raggruppati in più classi e il sistema d'ispezione deve tollerare qualche variazione visiva.

classificazione con deep learning per il settore dei componenti elettronici

I condensatori elettronici sono un buon esempio di un componente che varia in base al tipo (ceramico ed elettrolitico) così come in termini di dimensioni (grandi e piccoli) e colore (oro e non oro). Un produttore che ha la necessità di separare i condensatori si trova di fronte al difficile compito di dare un senso ad un'immagine singola che contiene più classificazioni, ad esempio, condensatori in ceramica color oro con marcature nere o condensatori elettrolitici color oro con marcature blu. Il sistema d'ispezione deve essere in grado di ordinare i componenti secondo i criteri del produttore al fine di distinguere i condensatori elettrici in base al loro colore e alle marcature, ignorando altri criteri.

Per svolgere questa attività automaticamente, un ingegnere che sviluppa applicazioni di ispezione deve rivolgersi al deep learning per trovare una soluzione. È possibile addestrare il software basato sul deep learning che opera in modalità supervisionata affinché rilevi un raggruppamento selettivo di tratti (ad esempio i condensatori dorati ed elettrolitici) e sia anche in grado di distinguere tra i singoli tratti di ciascun condensatore (marcature color oro, nero o blu), ignorando ulteriori variazioni all'interno del medesimo tipo. Il sistema basato sul deep learning è in grado di classificare e separare accuratamente più tipi di un singolo componente in un'unica immagine: un vantaggio enorme rispetto alla visione industriale.

Automatizzare i processi di produzione e migliorare la qualità sono due esigenze fondamentali del settore dei componenti elettronici, tuttavia alcune applicazioni sono troppo complicate e richiedono troppo tempo per essere programmate in un algoritmo basato su regole. Il Deep Learning di Cognex sfrutta la potenza dell'intelligenza artificiale in termini di analisi delle immagini per risolvere applicazioni elettroniche impegnative che comportano la localizzazione di componenti, l'ispezione cosmetica, la classificazione e il riconoscimento dei caratteri.

Altri post in merito a

OTTIENI L’ACCESSO AD ASSISTENZA E FORMAZIONE IN MERITO AI PRODOTTI E MOLTO ALTRO ANCORA

Entra a far parte di MyCognex

AVETE DELLE DOMANDE?

I rappresentanti Cognex sono disponibili in tutto il mondo per supportarvi nelle vostre necessità di lettura dei codici a barre industriali

CONTATTI
Loading...