智慧型手機音圈焊接點檢測

確保正確地將引線焊接在輸出接觸銲點

相關產品

In-Sight D900

採用 In-Sight ViDi 深度學習視覺軟體

VisionPro Deep Learning

深度學習工業圖像分析的圖形化程式設計環境

智慧型手機中的音圈可讓揚聲器振膜產生振動，以發出聲音。音圈所回應的電子訊號，來自兩條透過鋁熱劑加壓焊接到輸出接觸銲點的柔韌引線。由於引線很細，因此合格焊接的誤差範圍極小。

可能出現的多種缺陷如下：

• 引線斷裂或遺失
• 過度焊接，使得引線壽命縮短
• 焊接不足，造成接點脆弱而分離
• 漏焊，讓引線留在正確位置卻未相連
• 錯接，讓引線連接到輸出接觸銲點上的錯誤位置

焊接不足或焊接過度的連接處可能會通過電氣檢測，之後在現場使用時卻會過早發生故障。視覺檢測能夠更可靠地找出這類缺陷。

可能發生的焊接問題範圍廣泛，使得傳統機器視覺相當難以採用程式設計方式，來找出全部的問題。所檢視的引線與焊接處後方的背景多變，而且輸出接觸銲點的表面粗糙，更增添了圖像的複雜度。不同批焊接的接觸銲點會有不同的外觀，背景也有所改變，而會導致準確度驟然下降。

此外，合格焊接點的形狀、顏色、紋路及其他特徵變化繁多。使用基於規則的傳統機器視覺，識別如此廣泛的可接受焊接範圍，會導致誤報率居高不下，而需要再以人工檢測。

Cognex Deep Learning 的缺細探測工具最適合用來探測 SIM 卡連接器上的異常。缺陷探測工具透過一組無缺陷 SIM 卡的圖像，以及一組有缺陷 SIM 卡的圖像進行訓練。訓練完成後，隨即能準確地探測連接器中樣態繁多的缺陷，以及將不會影響功能，單純是外觀痕跡的缺陷視為合格。

傳統機器視覺只能探測出現在固定位置的有限缺陷類型，但 Cognex Deep Learning 缺陷探測工具可定義和探測多樣廣泛的不同缺陷類型，無論缺陷出現在受檢測品項的何處，都不成問題。缺陷探測工具滿載眾多功能，因此能減少所需的視覺檢測站數量，進而降低測試成本，同時還可達到優異的缺陷探測準確度。