電子業

MLCC 檢測

提高 MLCC 自動檢測率,同時降低誤判率

MLCC Inspection

相關產品

In-Sight D900

In-Sight D900

採用 In-Sight ViDi 深度學習視覺軟體

VisionPro ViDi Product Tile

VisionPro Deep Learning

深度學習工業圖像分析的圖形化程式設計環境

多層陶瓷電容器 (MLCC) 是由許多電容器堆疊成一塊,加上可與積體電路板連接的金屬化端子構成。製造 MLCC 時,在端電極電鍍層可能會產生各種不同的缺陷,包括裂縫、起泡、碎片、汙染及空隙。這些電容器可儲存大量能源,因此發生故障不僅會影響有缺陷的 MLCC,還會損壞相鄰的組件或積體電路板本身。

MLCC 體積雖小,但所需處理的數量很大。還可能含有外觀與位置均大不相同的各種微小缺陷。此外,表面還會反光,限制了傳統機器視覺的效用。

因此,人工檢測仍可發揮重要效用。在自動光學檢測 (AOI) 機器檢測所有電容器的六個面後,再依據統計資料取樣電容器,以人工檢測某一面。但 AOI 機器的誤判率很高,以人工檢測的速度也過於緩慢,不適合於一般流程採用。整體流程不僅昂貴、速度緩慢、容易出錯,也無法產生有助於改善流程的有用資料。

取得價格

康耐視已為 MLCC 檢測專門構建塗裝光學檢測 (COI) 機器,其中結合自訂照明與深度學習視覺工具。首先,專為 MLCC 檢測自訂的照明模組可將電容器主體與端子上不相關表面變化減至最少,同時讓容易錯過的缺陷顯露出來。

透過 AOI 機器檢測 MLCC 之後,再利用 COI 機器檢測,以減少誤報次數,以及減少從生產線撤下的合格組件數量。和人工檢測相比,這部機器可提供更快的速度、精準度,還可提供流程改善資料。

康耐視深度學習的分類工具透過為許多不同 MLCC (無缺陷與有缺陷) 加上標籤的圖像進行訓練。分類工具可從中學習,將廣泛多樣的潛在缺陷分類,以及完整學習正常組件的變化。完成訓練之後,即可掃描每個 MLCC 組件,病例及標示可接受範圍之外的任何特徵,或識別出先前標示為缺陷的合格組件。

分類的缺陷也可用於上游流程控制,隨時間不斷減少組件缺陷。

康耐視特色產品

取得產品支援與訓練等等

加入 MyCognex

是否有任何疑问?

世界各地的康耐视代表可以随时为您提供支持,满足您的视觉和工业读码需求。

聯絡我們
Loading...