Les principaux fabricants d'électronique exigent déjà de leurs fournisseurs d'équipements qu'ils proposent des outils d'IA performants. D'autres, en revanche, se montrent prudents quant à la manière d'intégrer l'IA tout en optimisant son potentiel pour accélérer les flux de travail et éliminer les erreurs humaines. Dans les deux cas, l'utilisation de l'IA comme outil d'inspection dans l'assemblage SMT présente plusieurs avantages reconnus, notamment une grande précision, un jugement fiable et une prise de décision plus rapide.
Inspecteur permanent
: Maintenir un personnel d’inspecteurs qualifiés pour examiner les cartes rejetées suite à des jugements « Non conforme » (NC) de l’AOI représente un défi bien connu pour les entreprises de fabrication électronique. Ce travail, à la fois répétitif et stressant, exige une performance élevée et constante, tout en impliquant une responsabilité importante. La sortie d’une seule unité défectueuse de l’usine met en péril la réputation de l’employeur.
Le problème pour les responsables de production réside dans le fait que le cycle d'intervention humaine suit généralement un schéma bien connu. Un inspecteur intègre l'équipe et commence à acquérir des connaissances et de l'expérience en analysant un grand nombre d'images AOI étiquetées OK ou NG. Avec l'expérience, la familiarité et la répétitivité du travail peuvent engendrer de la lassitude. Il est fréquent que les inspecteurs atteignent un haut niveau de compétence puis cherchent un autre poste au sein de l'entreprise, voire la quittent. La valeur de leur expertise, tant pour l'équipe que pour l'entreprise, est alors perdue.
Les responsables peuvent rompre ce cycle en formant l'IA à devenir un expert toujours présent, attentif et engagé. Correctement mise en œuvre, une IA entraînée peut efficacement capitaliser sur l'expérience acquise par les inspecteurs ayant travaillé au sein de l'équipe et devenir un consultant, prêt à accompagner les nouveaux inspecteurs.
Formation au processus de jugement secondaire :
Une solution consiste à intégrer l’IA aux postes de travail où les inspecteurs examinent les assemblages rejetés après inspection optique automatisée (AOI). Les unités identifiées à tort comme défectueuses peuvent être renvoyées en production pour l’assemblage final, tandis que celles présentant des défauts avérés peuvent être remanufacturées.
Dans le cadre du processus de jugement secondaire, l’IA intègre initialement l’équipe d’inspection comme un nouveau membre et apprend sur le terrain auprès des inspecteurs expérimentés de l’entreprise. À la réception des assemblages rejetés, les inspecteurs humains examinent les données et les images AOI pour porter leur propre jugement. Si leur décision indique que l’AOI a signalé un faux NG (Near Missing), la carte peut être envoyée pour achever les processus de production restants. Les images AOI et les décisions des inspecteurs humains étant enregistrées, le serveur d’IA utilise ces données accumulées pour entraîner les modèles d’inspection. L’entraînement se poursuivant grâce aux données acquises quotidiennement, la précision des modèles s’améliore et l’IA peut commencer à assister le jugement humain lors des inspections en temps réel.
Cet entraînement permet aux modèles d’atteindre rapidement un niveau de confiance suffisant pour assister les inspecteurs humains dans leur prise de décision. Lors de l'inspection d'un point défectueux, la « Station d'évaluation IA » peut présenter l'avis de l'IA avec un score de confiance associé, comme illustré à la figure 1. Ce niveau de soutien peut être particulièrement précieux pour les inspecteurs moins expérimentés, car il leur permet de s'appuyer sur l'IA pour les aider dans les cas difficiles, les aidant ainsi à affiner leur expertise tout en améliorant simultanément la précision et les performances.
Figure 1. Premier niveau d'assistance de l'IA dans le processus de jugement secondaire.
Dès que chaque modèle atteint un niveau de confiance stable, synonyme de précision quasi parfaite, l'IA est prête à fournir un diagnostic automatisé pour des types de composants et des défauts spécifiques. À ce stade, la supériorité de l'IA est combinée aux compétences de l'inspecteur humain afin d'accélérer le processus tout en maintenant une précision élevée et en réduisant la fatigue de l'opérateur.
Par où commencer ?
Des applications logicielles dotées de fonctionnalités similaires arrivent sur le marché et se révèlent extrêmement efficaces pour détecter les défauts de soudure, tels qu'une soudure insuffisante ou un mouillage inadéquat, mis en évidence par les inspections AOI 2D. Yamaha Robotics a créé son environnement AI Judgement Station afin de permettre à ses clients de créer et d'entraîner de manière autonome des modèles d'IA à partir de leurs propres données de production. Après avoir sélectionné des échantillons appropriés pour l'entraînement, les utilisateurs peuvent exploiter les fonctionnalités du logiciel pour générer automatiquement des modèles d'IA, puis les entraîner dans un cadre d'apprentissage automatique à l'aide des données collectées lors des inspections quotidiennes. Les utilisateurs peuvent vérifier la précision du modèle au fur et à mesure de l'entraînement afin de déterminer sa stabilisation. Après l'analyse d'un nombre suffisant d'images conformes et d'au moins 30 images défectueuses, le modèle atteint un niveau de précision suffisant pour assister les inspecteurs humains dans leur analyse visuelle. Ce résultat est obtenu rapidement, bien qu'un plus grand nombre d'images permette une amélioration supplémentaire. Après le traitement de plus de 1 000 images, la qualité du modèle devient extrêmement élevée. Chaque inspection par l'IA prend environ une seconde.
IA et OCR :
La reconnaissance optique de caractères (OCR) est un domaine où l’IA peut déjà fournir un jugement fiable, comparable à celui de l’humain, et alléger efficacement la charge de travail des inspecteurs. Les systèmes de vision industrielle classiques, basés sur des règles, peuvent mal interpréter les caractères à faible contraste, masqués par des rayures ou d’autres dommages, ou recouverts de corps étrangers. Ces risques sont fréquents dans un environnement de montage en surface et peuvent affecter des marquages importants tels que les valeurs des composants, les codes de date, les indications de polarité et l’identification de la carte (Figure 2).
Figure 2. L'OCR IA peut lire des marquages qui nécessiteraient autrement une confirmation visuelle par un inspecteur.
En s'appuyant sur des connaissances acquises, à l'instar des humains qui déchiffrent les caractères malgré une faible lisibilité, l'IA peut surmonter ces difficultés. La station de jugement IA de Yamaha intègre des modèles OCR pré-entraînés, prêts à l'emploi, sans aucun réglage ni formation supplémentaire.
Évaluation automatisée en ligne :
À mesure que l’IA s’intègre aux pratiques de l’entreprise et travaille en collaboration avec divers inspecteurs humains, le nombre de modèles créés pour couvrir différents composants et types de défauts ne cesse d’augmenter, et la formation atteint un haut niveau de fiabilité. Grâce à cette évolution, de moins en moins d’inspections automatisées nécessitent la confirmation d’un inspecteur visuel. La dépendance à l’égard de l’expertise humaine diminuant, le processus d’évaluation secondaire peut être entièrement automatisé et, à terme, intégré en ligne, comme illustré à la figure 3.
Figure 3. Deuxième évaluation entièrement automatisée après l'entraînement de tous les modèles d'IA.
En collaborant avec des inspecteurs visuels humains, en leur fournissant des conseils et en déléguant la prise de décision lorsque nécessaire, cette approche s'inscrit dans les deux sens de l'intégration de l'IA dans le contrôle qualité : proactive et prudente. Les entreprises les plus prudentes peuvent maintenir une supervision humaine afin d'éviter les défauts non détectés et les sur-inspections lors des étapes suivantes, tout en réduisant la charge de travail des inspecteurs. Par ailleurs, des solutions comme la station de jugement IA de Yamaha proposent une feuille de route vers une automatisation complète, permettant de répondre aux exigences clients les plus pointues.
Conclusion :
Alors que les industries du monde entier explorent les possibilités offertes par l’IA dans les processus de fabrication, les assembleurs de composants CMS utilisent cette technologie pour accroître la productivité de l’inspection optique. Outre son rôle dans la création de bibliothèques de modèles et la génération de programmes pour les systèmes AOI en ligne, l’IA améliore également l’inspection en identifiant les cartes rejetées par erreur.
Une approche en trois étapes, utilisant l’IA pour assister, automatiser partiellement puis automatiser totalement le processus d’évaluation secondaire, permet de former efficacement un expert en inspection permanent à gérer cette tâche répétitive et exigeante avec une rapidité et une précision constantes.
