ỨNG DỤNG DEEP LEARNING TRONG NGÀNH ĐIỆN TỬ

Vấn đề

Trong quá trình xác minh lắp ráp cuối cùng, hệ thống thị giác máy 2D và 3D thường kiểm tra PCB để tìm sự hiện diện và vị trí chính xác của đèn LED, bộ vi xử lý và các thiết bị gắn trên bề mặt khác. Các thành phần bị thiếu hoặc được định vị sai có thể ảnh hưởng đến hiệu suất và tuổi thọ của PCB. Những lỗi này phải được phát hiện trước khi PCB được lắp ráp vào thiết bị hoặc vận chuyển cho khách hàng. Tuy nhiên, những thay đổi nhỏ về ngoại hình — cho dù do sự tương phản ánh sáng tinh vi, thay đổi về góc nhìn và hướng hoặc ánh sáng chói trên bề mặt kim loại — có thể gây nhầm lẫn cho một hệ thống kiểm tra tự động. Các bộ phận gần nhau rất khó để hệ thống thị giác máy (machine vision) phân biệt được như các bộ phận độc lập. Việc lập trình các kiểm tra này thành một thuật toán dựa trên quy tắc tốn nhiều thời gian, dễ xảy ra lỗi và là thách thức đối với kỹ sư hiện trường trong việc duy trì. Nhân viên kiểm tra, mặc dù có khả năng xác định các thành phần này, không thể đáp ứng nhu cầu xử lý tốc độ cao.

GIẢI PHÁP

Cognex Deep Learning cung cấp một giải pháp có thể bảo trì tại hiện trường, cạnh tranh với sự kiểm tra của con người để xác minh việc lắp ráp PCB. Công cụ xác minh lắp ráp và vị trí bộ phận học cách xác định các thành phần từ hình ảnh “tốt” được chú thích, xây dựng mô hình tham chiếu về hình dạng bình thường của chúng. Công cụ này tổng quát hóa các đặc điểm phân biệt của các thành phần dựa trên kích thước, hình dạng và các đặc điểm bề mặt của chúng và tìm hiểu hình dáng bình thường của chúng, cũng như vị trí chung của chúng trên bảng. Trong thời gian chạy, công cụ phân tích tất cả các khu vực liên quan của bo mạch để xác định và đếm các thành phần, bất chấp sự thay đổi của chúng. Bằng cách này, việc kiểm tra xác định xem các thành phần có mặt hay không và có thể cho biết liệu bo mạch đã được lắp ráp chính xác hay chưa.

Vấn đề

Để một linh kiện như diode chuột được gắn mà không làm ảnh hưởng đến kết nối điện của nó, điện trở hàn phải được dán sạch vào bảng mạch trần. Ngay cả những khiếm khuyết nhỏ trong vật hàn cũng có thể gây đứt dây, chập và các sự cố điện khác. Những khuyết tật này khác nhau về kích thước, hình dạng và sự xuất hiện do ánh sáng chói. Rất khó để lập trình kiểm tra tự động có thể chịu được sự thay đổi đáng kể của bộ phận trong những điều kiện này.

GIẢI PHÁP

Cognex Deep Learning nhanh chóng xác định điện trở hàn trên một diode khi các phương pháp khác cố gắng kiểm tra trong cùng điều kiện ánh sáng. Công cụ xác minh lắp ráp và vị trí bộ phận đào tạo trên một tập hợp các hình ảnh đại diện của kháng hàn để tìm hiểu hình thái bình thường của vật hàn “tốt” và “xấu”. Trong thời gian chạy, công cụ cố định và định vị chống lại PCB, mặc dù có sự thay đổi về độ chói đặc trưng. Trong giai đoạn thứ hai của quá trình kiểm tra, điện trở hàn phải được kiểm tra để tìm bất kỳ sự bất thường nào về chức năng, chẳng hạn như cầu nối, cực đại hoặc lỗ hổng. Bằng cách sử dụng công cụ phát hiện khuyết tật ở chế độ được giám sát, người dùng có thể đào tạo công cụ trên một tập hợp đại diện gồm các chất hàn “tốt” đã biết và các chất hàn “xấu” có các khuyết tật được dán nhãn.

Dựa trên những hình ảnh này, Cognex Deep Learning tìm hiểu kết cấu tự nhiên của diode chuột, cũng như hình dạng bình thường của vật hàn. Hình ảnh bổ sung có thể được thêm vào tập huấn luyện trong quá trình kiểm tra xác nhận để phản ánh các ví dụ bổ sung và tối ưu hóa mô hình. Các thông số khác nhau có thể được điều chỉnh trong giai đoạn đào tạo và xác nhận để giúp giải thích các biến thể về ngoại hình để phát hiện chính xác tất cả các điốt có mối hàn bị lỗi.

Vấn đề

Việc kiểm tra thẩm mỹ có thể khó khăn khi các bộ phận khác nhau, cho dù ở cấp độ thành phần hay ở cấp độ bao bì và vỏ. Vết xước, vết lõm và các khuyết tật thẩm mỹ khác có thể không ảnh hưởng đến chức năng nhưng ảnh hưởng đến chất lượng thành phẩm và cảm nhận của người tiêu dùng. Một số khiếm khuyết thẩm mỹ có thể là nguyên nhân rõ ràng dẫn đến việc bị từ chối, trong khi những khiếm khuyết nhỏ khác có thể chấp nhận được. Vì lý do này, các nhà sản xuất cần đào tạo một hệ thống kiểm tra để tìm kiếm các khuyết tật cụ thể và phân biệt chúng với các khuyết điểm nhỏ. Lập trình kiểm tra độ phức tạp này thành một thuật toán dựa trên quy tắc yêu cầu các thư viện lỗi phức tạp. Sự kiểm tra của con người, mặc dù linh hoạt hơn, nhưng quá chậm, không đáng tin cậy và không nhất quán.

GIẢI PHÁP

Bằng cách sử dụng công cụ phát hiện lỗi trong chế độ được giám sát, một kỹ sư có thể đào tạo Cognex Deep Learning để tìm kiếm các khuyết tật cụ thể, chẳng hạn như vết xước, đồng thời bỏ qua những dị thường và biến thể không quan trọng. Công cụ này được tối ưu hóa để làm việc với những hình ảnh có độ tương phản thấp hoặc được chụp kém. Ví dụ: hình ảnh bên dưới minh họa cách công cụ phát hiện khuyết tật phân tích cả hình ảnh tốt và xấu của tai nghe nhét tai. Trong thời gian chạy, phần mềm mô tả các hình ảnh có vết trầy xước nghiêm trọng là bị lỗi, đã học cách nhận biết và bỏ qua các nhược điểm thẩm mỹ nhỏ.

Vấn đề

Trong quá trình kiểm tra chèn trước khi lắp ráp, phần bên trong của điện thoại sẽ được kiểm tra xem có khuyết tật hay không trước khi lắp ráp vỏ. Pin có thể bị hỏng khi chúng được dẫn vào vỏ. Việc xác định vị trí và kiểm tra pin rất khó khăn do việc lắp ráp điện thoại luôn khó và không ổn định. Phần mềm thị giác deep learning giúp đơn giản hóa việc phát hiện tự động và xác định đặc điểm của các khuyết tật trên bề mặt kim loại của pin.

GIẢI PHÁP

Cognex Deep Learning cho phép nhà sản xuất kiểm tra tính toàn vẹn của pin trước khi điện thoại trải qua quá trình lắp ráp cuối cùng và để phân biệt giữa các bất thường về thẩm mỹ và chức năng. Sử dụng công cụ phát hiện khuyết tật ở chế độ được giám sát, một kỹ sư có thể đào tạo phần mềm về hình ảnh “tốt” cũng như hình ảnh “xấu” với các khuyết tật được gắn nhãn. Từ những hình ảnh này, công cụ tìm hiểu hình thức bình thường của pin, bao gồm các biến thể tự nhiên có thể chấp nhận được. Các thông số có thể liên tục được điều chỉnh trong giai đoạn đào tạo và giai đoạn xác nhận cho đến khi mô hình được đào tạo phát hiện và phân đoạn chính xác tất cả các hình ảnh có bất thường chức năng. Sau khi được triển khai, công cụ phát hiện lỗi sẽ xác định và loại bỏ pin có lỗi.

Vấn đề

Thị giác máy (machine vision) được sử dụng trong suốt quá trình sản xuất chất bán dẫn để giám sát chặt chẽ chất lượng và bắt lỗi. Các nhà sản xuất phải cảnh giác đối với các chốt bị xước, xoắn, cong hoặc thiếu. Một con chip có khả năng chịu lỗi thấp đến mức bất kỳ sai sót nào, dù là bề ngoài nhất, đều là nguyên nhân dẫn đến việc loại bỏ. Với rất nhiều loại khuyết tật tiềm ẩn, nó không hiệu quả để lập trình kiểm tra thành một thuật toán dựa trên quy tắc. Phần mềm thị giác deep learning có thể giúp hạn chế các khuyết tật bán dẫn và cải thiện năng suất mà không cần sử dụng các thư viện lỗi mở rộng.

GIẢI PHÁP

Việc tìm kiếm tất cả các khuyết tật một cách rõ ràng là quá phức tạp và tốn thời gian. Cognex Deep Learning cung cấp một giải pháp đơn giản để xác định tất cả các đặc điểm bất thường, ngay cả khi không được đào tạo về hình ảnh “xấu”. Thay vào đó, một kỹ sư sử dụng công cụ phát hiện lỗi để đào tạo phần mềm về một mẫu hình ảnh “tốt” ở chế độ không giám sát. Cognex Deep Learning tìm hiểu hình dáng và vị trí bình thường của các dây dẫn và chân của chip và mô tả tất cả các tính năng sai lệch là bị lỗi.

Vấn đề

Việc phân loại các thành phần điện tử có thể đặc biệt khó khăn khi các bộ phận được chia thành nhiều lớp, mỗi lớp có một số thay đổi trực quan. Tụ điện khác nhau về loại (gốm và điện), cũng như kích thước và màu sắc, tùy thuộc vào nhà sản xuất và thông số kỹ thuật của chúng. Ngay cả trong cùng một loại, có thể có những biến thể khó hiểu về mẫu. Hình dạng hình trụ và ánh sáng của chúng thậm chí có thể phức tạp hơn. VisionPro ViDi cung cấp một giải pháp thay thế dựa trên deep learning để tự động hóa nhiều phân loại trong một hình ảnh duy nhất.

GIẢI PHÁP

Sử dụng công cụ phát hiện lỗi, một kỹ sư đào tạo phần mềm ở chế độ được giám sát trên một tập hợp các hình ảnh được chú thích trong đó cả tụ điện vàng và tụ điện đều được phân loại là các bộ phận “tốt”. Trong thời gian chạy, mô hình trích xuất và phân đoạn tất cả các tụ điện và tụ điện vàng làm một loại.

Trong phần thứ hai của quá trình kiểm tra, công cụ phân loại sẽ tìm hiểu các thuộc tính của từng tụ điện, đồng thời chịu được sự thay đổi trong cùng một loại. Bằng cách này, nó có thể phân biệt các tụ điện khác nhau bằng màu sắc và dấu hiệu của chúng, mặc dù chúng trông giống nhau về mặt trực quan. Dựa trên mô hình được phát triển trong quá trình đào tạo, Cognex Deep Learning phân loại và sắp xếp chính xác các tụ điện trong một hình ảnh duy nhất trong thời gian chạy..

Vấn đề

Điện thoại thông minh cần có đầu nối USB để sạc và truyền dữ liệu. Đầu nối này thường là một sản phẩm OEM và cần được kiểm tra tất cả các mặt trước khi được xóa để lắp đặt. Đầu nối bao gồm các tiếp điểm nguồn và dữ liệu, tấm chắn, và một số dạng đầu nối ngàm.

Các đầu nối USB này có thể cho thấy nhiều lỗi khác nhau, bao gồm cháy, bắn ngắn, bụi, xước và dịch chuyển, ở tất cả các mặt. Các khuyết tật nhỏ, gần như không nhìn thấy trên đầu làm việc của đầu nối có thể ảnh hưởng lớn đến việc cáp sẽ kết nối tốt như thế nào, giữ chặt như thế nào và việc tháo ra dễ dàng như thế nào. Một đầu nối như vậy phải hoạt động suốt đời của điện thoại.

GIẢI PHÁP

Công cụ phát hiện khiếm khuyết của Cognex Deep Learning đào tạo trên các tập dữ liệu hình ảnh bao gồm nhiều biến thể ngoại hình quan trọng về mặt chức năng và những biến thể không có tác động chức năng và học cách phân biệt chúng với nhau. Trong quá trình đào tạo, có thể bỏ qua những bất thường về thẩm mỹ có thể chấp nhận được để việc đào tạo chỉ tập trung vào những khiếm khuyết có thể cản trở chức năng, giúp quá trình diễn ra đơn giản và nhanh chóng hơn. Khi được triển khai trên dây chuyền, ánh sáng và cách xếp đặt bộ phận rất quan trọng để bắt được càng nhiều khuyết tật càng tốt.

Vấn đề

Hầu hết các chip được lắp ráp trên PCB đều được dán nhãn bằng một chuỗi ký tự chữ và số để theo dõi chúng trong quá trình sản xuất. Ánh sáng chói có thể dẫn đến hình ảnh có độ tương phản thấp, khiến hệ thống thị giác máy (machine vision) khó xác định vị trí và nhận dạng các ký tự. Để giải mã thành công các ký tự trên các linh kiện và mô-đun điện tử, hệ thống nhận dạng ký tự quang học (OCR) cần phải chịu được các bề mặt phản chiếu cũng như các ký tự bị biến dạng, lệch và khắc kém.

Giải pháp

Với Cognex Deep Learning, bạn có thể dễ dàng đọc các ký tự bị biến dạng, bất chấp những khó khăn về hình ảnh. Cách tiếp cận OCR dựa trên deep learning này giúp tiết kiệm thời gian trong quá trình đào tạo và phát triển bằng cách giảm việc dán nhãn quá mức và đọc thành công các ký tự trong các tình huống khó khăn. Phần mềm chỉ yêu cầu một kỹ sư thiết lập vùng quan tâm và kích thước ký tự. Sau khi được thiết lập, thư viện phông chữ được đào tạo trước của công cụ sẽ giải mã các ký tự và đọc các chuỗi mà không cần đào tạo. Trong các tình huống mà các ký tự rất khó đọc, phần mềm có thể được đào tạo lại trực tiếp bằng cách sử dụng các ký tự có biến thể.

Vấn đề

Sau khi điện thoại thông minh được lắp ráp hoàn chỉnh nhưng trước khi đóng gói, điện thoại thông minh phải được kiểm tra xem có trầy xước, nứt vỡ, chip, vết lõm, lệch, đổi màu và các khuyết tật khác, có thể ở nhiều nơi ở bất cứ đâu trên vỏ và mặt kính. Những khuyết tật này nói chung không phải là chức năng, nhưng ảnh hưởng tiêu cực đến hình thức bên ngoài của sản phẩm.

Các ứng dụng thị giác dựa trên quy tắc truyền thống có thể được đào tạo về một loạt các khiếm khuyết điển hình, chẳng hạn như vết xước ở khu vực được xác định trước hoặc vết nứt có xu hướng xuất hiện ở một góc màn hình, nhưng phạm vi các khiếm khuyết có thể xảy ra là cực kỳ lớn và có thể xuất hiện ở bất kỳ đâu trên điện thoại. Ngay cả một khiếm khuyết tương đối không thường xuyên, chẳng hạn như sự đổi màu của vỏ, hoặc vết lõm do tác động của cánh tay robot, cũng cần phải được kiểm tra trước khi đóng gói. Với tốc độ sản xuất điện thoại, sự kiểm tra của con người không phù hợp với hiệu quả thấp.

GIẢI PHÁP

Cognex Deep Learning đào tạo trên các bộ hình ảnh hiển thị một loạt các khuyết tật không thể chấp nhận được cũng như các bộ hình ảnh hiển thị các biến thể thẩm mỹ nằm trong phạm vi chấp nhận được và học cách phân loại chúng. Các thông số có thể được điều chỉnh trong giai đoạn đào tạo để đảm bảo rằng các tiêu chí chấp nhận và từ chối đáp ứng các yêu cầu của thị trường đối với tất cả các ví dụ. Tận dụng ánh sáng đặc biệt và phần trình bày phù hợp kết hợp với Cognex Deep Learning, công cụ phân tích hình ảnh được đào tạo sẽ kiểm tra màn hình, dây đeo, mặt sau và phát hiện bất kỳ sự kết hợp nào của vết lõm, vết xước và sự đổi màu ở bất kỳ đâu trên điện thoại thông minh. Việc kiểm tra kỹ lưỡng và chính xác này đảm bảo rằng chỉ những sản phẩm không có khuyết tật về mỹ phẩm mới chuyển sang bước đóng gói.

VẤN ĐỀ

Lưới loa là một miếng kim loại đục lỗ để bảo vệ mô-đun âm thanh của điện thoại di động khỏi bụi và hư hại đồng thời ảnh hưởng đến âm thanh một cách tối thiểu.

Lưới phải được kiểm tra bằng mắt thường để tìm các vết nứt, vết xước, lỗ thủng, biến dạng, các cạnh bị gãy, tạp chất lạ như bụi bẩn hoặc tóc, và hư hỏng do quá trình đục lỗ. Lưới này có thể nhìn thấy đối với người dùng cuối, và do đó, hư hỏng thẩm mỹ cũng phải được phát hiện.

Bởi vì mắt lưới là các bộ phận có kết cấu ba chiều, chúng tạo ra các mô hình ánh sáng phản xạ và điểm nổi bật phức tạp. Ngay cả một độ nghiêng nhỏ trong lưới cũng có thể thay đổi hoàn toàn mô hình. Trong khi đó, các khuyết tật như nhiễm bẩn hoặc các vết xước không đều có thể xuất hiện ở bất cứ đâu trên bộ phận. Điều này có thể ở bề mặt bên ngoài, hoặc trong khoảng trống giữa các dây. Những biến thể này gây khó khăn cho việc lập trình thị giác máy truyền thống để xử lý mọi trường hợp có thể xảy ra.

GIẢI PHÁP

Để xác định các khiếm khuyết của lưới loa, công cụ phát hiện khiếm khuyết của Cognex Deep Learning được đào tạo về nhiều lựa chọn lưới loa để tìm hiểu sự biến đổi đầy đủ của các bộ phận bình thường, bao gồm các biến thể ánh sáng phổ biến và mức độ khiếm khuyết thẩm mỹ có thể chấp nhận được. Khi quét qua các mắt lưới, nó sẽ phân tích và gắn cờ cho bất kỳ điểm nào nằm ngoài phạm vi chấp nhận được, đồng thời giảm thiểu các kết quả dương tính giả. Cognex Deep Learning có thể hoạt động kết hợp với thị giác máy truyền thống, điều này tốt nhất cho các tác vụ căn chỉnh chính xác và đánh giá kích thước lưới loa. Sự kết hợp của deep learning cộng với các công cụ thị giác truyền thống vượt xa cách kiểm tra thủ công, với tốc độ cao hơn đáng kể. Và nó làm như vậy trong khi duy trì sự nhất quán giữa các ca và dây chuyền sản xuất.

VẤN ĐỀ

Trước khi lắp đặt mô-đun máy ảnh vào thiết bị di động, bề mặt của mô-đun phải được kiểm tra để đảm bảo rằng không có vật lạ, vết xước, vết bẩn hoặc bụi trên ống kính.

Các khuyết tật khác nhau rất khác nhau về bề ngoài. Vết nhòe do dấu vân tay trông khá khác so với các hạt bụi bị mắc kẹt dưới lớp phủ thấu kính và cũng không giống vết xước trên bề mặt kính. Ngoài ra, bề mặt phản chiếu của thấu kính và hình ảnh khúc xạ từ các bộ phận bên dưới thấu kính có thể xuất hiện như những dị thường không mong muốn mặc dù thực tế không phải vậy. Việc phân biệt các dị thường nền này với các khuyết tật thực sự thường yêu cầu kiểm tra thủ công, quá trình này chậm, tốn kém và không nhất quán. Tuy nhiên, các hệ thống thị giác máy dựa trên quy tắc truyền thống không thể dễ dàng được lập trình để xác định một cách nhất quán nhiều khuyết tật như vậy.

GIẢI PHÁP

Công cụ phát hiện khuyết tật của Cognex Deep Learning được đào tạo trên nhiều lựa chọn thấu kính không có khuyết tật để tìm hiểu sự biến đổi đầy đủ của các bộ phận bình thường. Ở chế độ Không giám sát, nó sẽ quét qua một chuỗi các thấu kính và gắn cờ cho bất kỳ thấu kính nào nằm ngoài phạm vi chấp nhận được, đồng thời giảm thiểu dương tính giả.

Các khuyết tật của thấu kính có xu hướng có một số đặc điểm bắt nguồn từ các nguyên nhân cụ thể, chẳng hạn như bị nhiễm bẩn bởi bụi và các hạt khác, vết bẩn do dầu hoặc dấu vân tay, và các bộ phận bên trong bị lệch. Người dùng cần xác định loại khuyết tật cụ thể hoặc đo lường chính xác kích thước của khuyết tật, có thể sử dụng chế độ giám sát. Trong chế độ này, người dùng đào tạo hệ thống về sự kết hợp của các bộ phận tốt và xấu, làm nổi bật rõ ràng các vùng khuyết tật và gắn nhãn chúng với loại khuyết tật: vết xước, vết bẩn, nhiễm bẩn, v.v.

Kiến thức này có thể được sử dụng để kiểm soát quá trình ngược dòng. Một loại vết xước nhất định có thể do máy bị lệch hoặc sợi có thể bị lắng do luồng không khí kém trong quá trình sản xuất. Bằng cách xác định nguyên nhân gốc rễ của vấn đề, các nhà sản xuất có thể nhanh chóng thực hiện hành động khắc phục và giảm thiểu việc tạo ra nhiều bộ phận xấu hơn.

VẤN ĐỀ

Khi một tế bào pin được bịt kín, nó sẽ chứa đầy chất điện phân lỏng qua một lỗ nhỏ trên nắp. Khi lấp đầy hoàn tất, lỗ được bao phủ bởi một chốt làm kín hoặc nắp đậy, sau đó được hàn vào vị trí để cố định nó.

Vị trí thích hợp của chốt niêm phong theo truyền thống đã được xác nhận bằng cách xác định chiều cao của chốt bằng tia laser hoặc cảm biến dịch chuyển 3D khác. Nhưng các khuyết tật trong bản thân mối hàn, chẳng hạn như vết lõm, vết cháy, lỗ kim và vết đứt, không dễ dàng phát hiện thông qua thị giác máy truyền thống do có nhiều khuyết tật có thể xảy ra và nền phản chiếu của nắp pin.

GIẢI PHÁP

Sau khi mối hàn hoàn tất, công cụ phát hiện khuyết tật của Cognex Deep Learning có thể xác định nhiều khuyết tật tiềm ẩn trên mối hàn chốt niêm phong. Ứng dụng deep learning được đào tạo trên nhiều loại pin được niêm phong thích hợp để tìm hiểu sự biến đổi đầy đủ của các bộ phận bình thường, bao gồm mức độ chấp nhận được của các khuyết tật thẩm mỹ, điểm sáng và bóng.

Khi trên dây chuyền sản xuất, Cognex Deep Learning sẽ phân tích và gắn cờ cho bất kỳ mối hàn chốt hàn nào nằm ngoài phạm vi chấp nhận được, đồng thời giảm thiểu dương tính giả do các khuyết tật hoàn toàn về thẩm mỹ.

Người dùng có thể chuyển các khiếm khuyết được phát hiện sang công cụ phân loại của Cognex. Công cụ này được đào tạo về một loạt các khuyết tật mối hàn và vị trí được dán nhãn để có thể xác định chúng đúng cách. Trong thời gian chạy, dữ liệu phân loại được sử dụng để thực hiện hành động sửa chữa ngược dòng đối với bất kỳ loại lỗi nào được phát hiện.Tùy thuộc vào sở thích của khách hàng, Cognex DSMax, một cảm biến dịch chuyển laser 3D, có thể dễ dàng được tích hợp vào quá trình kiểm tra mà không cần bất kỳ phần mềm của bên thứ ba nào. Cùng với Cognex Deep Learning và DSMax có thể kiểm tra toàn bộ chốt làm kín và mối hàn của nó để đảm bảo nó không có khuyết tật và được hàn và đặt chính xác.

Kiến thức này có thể được sử dụng để kiểm soát quá trình ngược dòng. Một loại vết xước nhất định có thể do máy bị lệch hoặc sợi có thể bị lắng do luồng không khí kém trong quá trình sản xuất. Bằng cách xác định nguyên nhân gốc rễ của vấn đề, các nhà sản xuất có thể nhanh chóng thực hiện hành động khắc phục và giảm thiểu việc tạo ra nhiều bộ phận xấu hơn.

VẤN ĐỀ

Các điện cực pin của túi kết nối với các mạch bên ngoài bằng các mấu kim loại. Các mấu lá kim loại này được làm từ nhiều loại kim loại, mỏng và mềm, và có thể dễ bị hỏng. Các khuyết tật điển hình bao gồm trầy xước, va đập, lỗ và bụi. Các tab bị hỏng làm giảm hoặc ngăn cản kết nối, đó là lý do tại sao chúng phải không có khuyết tật trước khi được hàn vào các điện cực.

Tuy nhiên, việc hàn không đúng cách cũng dẫn đến các khuyết tật như bỏng, va đập, thiếu bóng. Chất hàn kém dẫn đến giảm hoặc thiếu kết nối và giảm hiệu suất.

GIẢI PHÁP

Để xác định cả khuyết tật hàn tab và tab, công cụ phát hiện khuyết tật của Cognex Deep Learning được đào tạo trên nhiều lựa chọn các tab không bị hư hại và các tab được hàn đúng cách để tìm hiểu sự biến đổi đầy đủ của các bộ phận bình thường, bao gồm cả mức độ khuyết tật thẩm mỹ có thể chấp nhận được.

Khi quét qua các kết nối tab pin, nó sẽ phân tích và gắn cờ bất kỳ tab nào hoặc mối hàn tab nào nằm ngoài phạm vi có thể chấp nhận được, đồng thời giảm thiểu dương tính giả do các khuyết tật hoàn toàn về thẩm mỹ. Nó làm cho những khác biệt này mặc dù có sự khác biệt về độ tương phản và nền.Sau đó, công cụ phân loại của Cognex Deep Learning có thể đào tạo một loạt các khuyết tật hàn tab và tab được gắn nhãn và tìm hiểu cách phân loại các loại khuyết tật cụ thể, chẳng hạn như vết xước, lỗ và va chạm trên tab hoặc vết cháy, va đập hoặc bóng thiếu trên vật hàn. Các khuyết tật đã được phân loại này sau đó có thể được sử dụng để kiểm soát quá trình ngược dòng nhằm giảm thiểu các khuyết tật theo thời gian.

VẤN ĐỀ

Pin dạng nút (hoặc đồng xu) và pin hình trụ được hàn kín bằng cách hàn nắp vào vỏ chứa điện cực và chất điện phân. Phương pháp nhiệt thấp như laze hoặc hàn điện trở thường được sử dụng để tránh làm hỏng bên trong pin nhưng yêu cầu độ chính xác để đảm bảo rằng niêm phong nắp được giữ chặt. Có rất ít lợi nhuận cho lỗi. Các khiếm khuyết có thể dẫn đến rò rỉ chất điện phân và giảm hiệu suất.

Các khuyết tật hàn có thể xuất hiện ở bất cứ đâu xung quanh chu vi và có thể rất khác nhau về hình thức. Các vết lõm, vết xước và các khuyết tật khác có thể xuất hiện ở bất cứ đâu trên cơ thể. Cả hai loại khuyết tật có thể khó phân biệt đối với bề mặt phản chiếu của tế bào. Tất cả những điều này khiến thị giác máy truyền thống khó phát hiện chính xác toàn bộ các khuyết tật.

Và bởi vì những loại pin này được sản xuất với số lượng lớn, và các khuyết tật nhỏ và khó phát hiện, chúng gây ra một thách thức tương tự đối với việc kiểm tra thủ công.

GIẢI PHÁP

Để xác định các khuyết tật mối hàn của pin, công cụ phát hiện khuyết tật của Cognex Deep Learning được đào tạo về nhiều lựa chọn pin được niêm phong thích hợp để tìm hiểu sự biến đổi đầy đủ của các bộ phận bình thường, bao gồm cả mức độ khuyết tật thẩm mỹ có thể chấp nhận được. Khi quét qua các nắp pin, nó sẽ phân tích và gắn cờ bất kỳ mối hàn nào nằm ngoài phạm vi chấp nhận được, đồng thời giảm thiểu dương tính giả do các khuyết tật hoàn toàn về thẩm mỹ.Tùy thuộc vào sở thích của khách hàng, Cognex DSMax, một cảm biến dịch chuyển laser 3D, có thể dễ dàng được tích hợp vào quá trình kiểm tra mà không cần bất kỳ phần mềm của bên thứ ba nào. Cùng với Cognex Deep Learning và DSMax có thể kiểm tra toàn bộ chốt làm kín và mối hàn của nó để đảm bảo nó không có khuyết tật và được hàn và đặt chính xác.

VẤN ĐỀ

Để đảm bảo kết nối điện chắc chắn, các dây dẫn phải được hàn tại chỗ với nhau hoặc với các thiết bị đầu cuối. Hàn liên quan đến việc nấu chảy hai kim loại khác nhau với nhau để tạo thành một kết nối chắc chắn. Điều quan trọng là mối hàn phải được nấu chảy vừa đủ, có thể tích vừa đủ nhưng không quá mức, có hình dạng đẹp và được định vị thích hợp. Các nhà sản xuất có xu hướng có nhiều đường dây cho nhiều loại bộ phận điện tử và cần đảm bảo rằng tất cả các kết nối đều an toàn.

Bởi vì các mối hàn điểm có sự thay đổi cao và không đồng nhất về bề ngoài, bao gồm cả hình dạng, vị trí, màu sắc, độ phản xạ, kết cấu và dấu hiệu bề mặt, nên việc kiểm tra có thể có tỷ lệ dương tính giả cao, còn được gọi là quá mức cần thiết. Quá mức cần thiết dẫn đến các bộ phận tốt bị loại bỏ. Các mối hàn tốt được đánh dấu không chính xác là bị lỗi phải đi kiểm tra thủ công, điều này cực kỳ chậm so với tốc độ đường truyền, và vẫn thường dẫn đến các khuyết tật mối hàn được xác định không chính xác.

Các bộ phận cũng khác nhau về kích thước, màu sắc và các đặc điểm khác từ lô này sang lô khác. Phạm vi biến thể rộng và khó phân biệt kết nối tốt với kết nối xấu khiến tầm nhìn máy dựa trên quy tắc trở nên không thực tế.

GIẢI PHÁP

Người dùng đào tạo công cụ phát hiện lỗi của Cognex Deep Learning trên nhiều lựa chọn về các kết nối được hàn tại chỗ thích hợp để tìm hiểu sự biến đổi đầy đủ của các bộ phận bình thường. Khi công cụ quét qua các vết hàn, nó sẽ phân tích và gắn cờ cho bất kỳ điểm nào nằm ngoài phạm vi chấp nhận được, đồng thời giảm thiểu dương tính giả.Sau đó, công cụ phân loại của Cognex Deep Learning có thể đào tạo về một loạt các khuyết tật hàn được dán nhãn và học cách phân loại các loại khuyết tật cụ thể, chẳng hạn như hình dạng kém, lỗ thổi, vết nứt, vết cháy hoặc nhiễm bẩn bề mặt. Các khuyết tật đã được phân loại này sau đó có thể được sử dụng để kiểm soát quá trình ngược dòng nhằm giảm thiểu các khuyết tật theo thời gian.

VẤN ĐỀ

Tụ gốm nhiều lớp (MLCC) bao gồm một khối các tụ điện xếp chồng lên nhau với các đầu nối được mạ kim loại để kết nối với các bảng mạch tích hợp. Các MLCC mắc phải nhiều lỗi sản xuất có thể xảy ra, bao gồm các vết nứt, vết phồng rộp, vụn, nhiễm bẩn và khoảng trống trong lớp phủ kết thúc. Các tụ điện này lưu trữ năng lượng đáng kể, do đó, lỗi không chỉ ảnh hưởng đến MLCC bị lỗi mà có thể làm hỏng các thành phần lân cận hoặc bản thân bảng mạch tích hợp.

MLCCs nhỏ và có số lượng lớn. Chúng có thể có nhiều loại khuyết tật nhỏ khác nhau về hình dáng và vị trí. Ngoài ra, chúng có bề mặt sáng bóng hạn chế hiệu quả của thị giác máy truyền thống.

Do đó, việc kiểm tra thủ công vẫn đóng một vai trò quan trọng. Máy kiểm tra quang học tự động (AOI) kiểm tra tất cả sáu mặt của tất cả các tụ điện, sau đó con người kiểm tra một mặt của mẫu thống kê của các tụ điện. Nhưng các máy AOI có tỷ lệ quá mức cần thiết cao, trong khi việc kiểm tra bằng tay quá chậm đối với mục đích sử dụng chung. Quá trình tổng thể là tốn kém, chậm, dễ xảy ra lỗi và không tạo ra dữ liệu hữu ích có thể giúp cải tiến quy trình.

GIẢI PHÁP

Cognex đã chế tạo một máy kiểm tra quang học thẩm mỹ (COI) đặc biệt để kiểm tra MLCC, kết hợp cả ánh sáng tùy chỉnh và các công cụ thị giác deep learning. Đầu tiên, mô-đun chiếu sáng được tùy chỉnh để kiểm tra MLCC giảm thiểu các biến thể bề mặt không liên quan trong khi vẫn để lộ các khuyết tật dễ bị bỏ sót trên cả thân tụ điện và các đầu nối.

Sau khi các MLCC đã được kiểm tra bằng máy AOI, chúng sẽ được kiểm tra bằng máy COI để giảm lượng dương tính giả và các bộ phận tốt bị kéo ra khỏi quá trình sản xuất. Máy này mang lại tốc độ, độ chính xác và dữ liệu cải tiến quy trình tốt hơn khi so sánh với việc kiểm tra thủ công.

Công cụ phân loại của Cognex Deep Learning được đào tạo dựa trên các hình ảnh được gắn nhãn của nhiều loại MLCC không có khiếm khuyết và không có khiếm khuyết. Công cụ phân loại học cách phân loại nhiều loại khuyết tật có thể có, cũng như tìm hiểu sự biến đổi đầy đủ của các bộ phận bình thường. Sau khi được huấn luyện, nó có thể quét qua mọi bộ phận MLCC và ngay lập tức gắn cờ bất kỳ bộ phận nào nằm ngoài phạm vi chấp nhận được hoặc xác định các bộ phận tốt trước đó đã được gắn cờ là khuyết tật.

Các khuyết tật được phân loại cũng có thể được sử dụng để kiểm soát quá trình ngược dòng nhằm giảm thiểu các khuyết tật của bộ phận theo thời gian.

Ứng dụng deep learning In-Sight® ViDi được triển khai trên máy ảnh thông minh In-Sight D900 mà không cần PC, giúp những người không phải lập trình viên có thể truy cập công nghệ deep learning một cách dễ dàng. Ứng dụng này sử dụng nền tảng phần mềm In-Sight quen thuộc và dễ sử dụng, giúp đơn giản hóa việc phát triển ứng dụng và tích hợp nhà máy.

Phần mềm VisionPro Deep Learning kết hợp thư viện công cụ thị giác máy (Machine Vision) toàn diện với các công cụ deep learning nâng cao bên trong một khuôn khổ triển khai và phát triển chung. Nó đơn giản hóa việc phát triển các ứng dụng vision có thể thay đổi cao và cho phép các kỹ sư xây dựng các giải pháp deep learning linh hoạt, được tùy chỉnh cao phù hợp với nhu cầu cụ thể.