ブログ

ディープラーニングでエレクトロニクス産業の検査を自動化する

deep learning electronics industry

エレクトロニクスのハードウェア製造産業にはマシンビジョンが浸透しています。消費者による薄くて軽い製品に対する需要が高まったことにより、製品の部品はさらに小さくなり、費用対効果の高い製造の需要が増加するにつれて、生産者が品質を犠牲にすることなく、生産プロセスのあらゆる側面を自動化することが重要になっています。

しかし、特に半導体やモバイルデバイス業界などは、プログラムの複雑さと費用のために自動化には慎重です。そのような産業では、人による検査が適切ですが、複数の異なる部品、組み立て、状況などが混在する中で判断に頼る意思決定処理は、非効率であることも事実です。機械に比べて信頼性が高いにも関わらず、検査官の場合は、疲労によるエラーを引き起こす可能性があります。

これらの理由から、エレクトロニクスメーカーは、人間の脳の柔軟性とコンピュータの確実性を独自に組み合わせて、迅速かつ信頼性の高い検査結果を実現するディープラーニングベースの検査ソリューションを検討するようになりました。ディープラーニングがエレクトロニクス業界の検査、コード読み取り、分類タスクに革命をもたらす方法をご覧ください。

欠陥検出

組み立てられたプリント基板(PCB)は、電気が流れる部品のため、精密な溶接が重要です。たとえ小さな欠陥でも、干渉や障害の原因となる可能性があります。つまり、欠陥検出が非常に重要になってきます。しかし、溶接の欠陥はさまざま(過電力、電力不足、不均一など)で、ビジョンシステムには異なって表示されます。分かりにくいのみでなく、性質的な違いもあり、たとえば、グレアなど画像の問題が原因で、歪みや外観の違いとなってカメラに映されます。

エレクトロニクス産業向けディープラーニング欠陥検出

すべての自動検査システムは、厳しい画質条件下で、部品間の大きなばらつき(溶接過多/不足など)を許容する必要があります。ディープラーニングベースのソリューションでは、対象領域を固定し、時間がかかり、面倒で、時には不可能でさえあるルールベースのプログラミングを必要とせずに、部品間の大きなばらつきを許容しながら溶接を検査することができます。

コグネックスの欠陥検出用ディープラーニングツールは、既知の「良品」(合格)と「不良」(不合格)のラベル付き画像の代表例を登録後、様々な溶接欠陥を特定する方法を学びます。コグネックスのディープラーニングは、登録画像に基づいて、溶接の標準的な外観となる基準モデルと、画像取り込み時の問題やグレアによる外観のばらつきを説明する許容範囲外の欠陥を構築します。

光学式文字認識

電子部品やモジュールに印刷される英数字と同様に、チップに印刷されるシリアル番号は、変形、歪み、エッチングの不良に対して脆弱です。これらの文字は、フォントや文字のライブラリとその様々な外観を登録する必要がある従来の OCR ツールでは処理が困難です。

エレクトロニクス産業向けディープラーニング OCR

最高のツール(ユーザーが一度に文字列全体を登録し、単一の文字を削除したり、同じ文字の複数のインスタンスを登録したり、登録済みのフォントを新しいアプリケーションに読み込んだり保存したりできるツール)でも、時間がかかり、予期しない変形のある文字を識別するのに問題がある可能性があります。

ディープラーニングベースのツールは、事前登録されたライブラリを使用して、外観が変更されても文字を認識して検証するため、テストおよび検証中にシステムで失敗した文字だけを再登録する必要があります。これにより、検査システムは、すぐに使える精度でより良い画像を提供し、再登録によるダウンタイムを最小限に抑えます。

アセンブリ検証

アセンブリ検証は、説明する必要があるコンポーネントの数が多すぎるため、自動化が難しいアプリケーションとして知られています。これらのコンポーネントは、存在、正しい取り付け、適切な方向設定が行われていることを確認する必要があります。このような検査は、次の工程に合わせて、二次元または三次元で行う必要があります。

典型的な例は、LED、マイクロプロセッサ、およびその他の表面実装デバイスが溶接された PCB の最終アセンブリ検証です。検査システムは、コンポーネントの検品や、誤って配置された可能性のある部品を検出する責任があります。これらの欠陥が見逃されると、PCB の性能や耐用年数を損なう可能性があります。

エレクトロニクス産業向けディープラーニングによるアセンブリ検証

マシンビジョンシステムは、複数の対象領域を登録し、個々のコンポーネントを特定する方法を学習できますが、照明のコントラスト、遠近法や向きの変化、またはグレアによる外観の変化が、システムを混乱させる可能性があります。特に、コンポーネントが近接し密度の高い PCB では、マシンビジョンシステムが個々のコンポーネントを区別する際に問題が発生し、検査に誤りが発生する可能性があります。人間の検査官はコンポーネントを区別できますが、高速スループットの要求を満たすことはできません。

これらの検査をルールベースのアルゴリズムにプログラミングすることは、時間がかかり、エラーが起こりやすく、現場での維持が容易ではないことは言うまでもありません。幸いなことに、ディープラーニングベースのビジョンシステムは、人間の柔軟性、識別、判断に基づく意思決定に匹敵し、さらにコンピュータの速度と確実性が加わります。

ラベル付きの基準例が登録されているこのツールは、完全に組み立てられた PCB 基板の基準モデルを構築できます。モデルは、(検査中に外観が変化しても)一般化されたサイズ、形状、および特徴に基づいて個々のコンポーネントを識別し、基板上の位置を予測できます。検査中、コグネックスのディープラーニングは、コンポーネントが存在し、正しく組み立てられていることを確認するため、複数の対象領域を特定してコンポーネントの位置決め、計数、検査することができます。

分類

マシンビジョンには、分類機能を含む独自の制限があります。これは、部品を特定して複数のクラスにグループ化する必要があり、検査システムが視覚的な変動を許容する必要があるエレクトロニクスアプリケーションでは負担になります。

エレクトロニクス産業向けディープラーニングによる分類

電子コンデンサは、タイプ(セラミックと電気)、サイズ(大小)と色(金と非金)が異なるコンポーネントの良い例です。コンデンサを仕分ける必要があるメーカーは、1つの画像で複数の仕分けを行わなければならないという困難な課題に直面しています。例えば、ブラックマーキング付きのゴールドセラミックコンデンサや、青色のマーキング付きのゴールド電気コンデンサなどです。検査システムは、他の基準を無視しながら、電気コンデンサを色やマーキングで区別するために、メーカーの基準に従ってコンポーネントを仕分けることができる必要があります。

これを自動化するには、検査アプリケーションエンジニアはディープラーニングでソリューションを探す必要があります。教師あり学習モードで動作するディープラーニングベースのソフトウェアは、登録によって、同じタイプを処理しながら別のばらつきを無視し、複数の特徴を選択して検出すること(ゴールドおよび電気コンデンサなど)も、個々の特徴でコンデンサを区別する(ゴールド、黒、青のマーキング)こともできます。ディープラーニングベースのシステムは、1つの画像から複数のタイプのコンポーネントを正確に分類してソートできるため、マシンビジョンよりも大きなメリットがあります。

生産プロセスの自動化と品質の向上は、エレクトロニクス業界における最も要求の高い 2 つですが、一部のアプリケーションはルールベースのアルゴリズムにプログラミングするには複雑で時間がかかりすぎるという課題も残ります。コグネックスのディープラーニングは、画像解析に人工知能の力を活用して、部品の位置、外観検査、分類、文字認識を含む困難なエレクトロニクスアプリケーションを解決します。

他の投稿

製品のサポートやトレーニングなどの詳細を見る

マイコグネックスに参加

お気軽にお問合せください

Cognex は世界中でお客様のビジョンと工業用バーコドリーダのあらゆるニーズをサポートしています。

お問合わせ
Loading...