Крупные производители электроники уже ожидают от своих поставщиков оборудования наличия хорошо разработанных инструментов искусственного интеллекта. С другой стороны, некоторые с осторожностью относятся к тому, как адаптироваться к работе с ИИ, максимально используя его потенциал для ускорения рабочих процессов и исключения человеческих ошибок. С любой точки зрения, использование ИИ в качестве инспектора при поверхностном монтаже может предложить ряд известных преимуществ, включая его безошибочное внимание к деталям, последовательную оценку и более быстрое принятие решений.
Инспектор на всю жизнь
: Поддержание квалифицированных инспекторов для проверки плат, отклоненных из-за оценок «не годны» (NG) по результатам проверки AOI, является хорошо известной проблемой для компаний, занимающихся производством электроники. Работа монотонная, но стрессовая, требующая стабильно высокой производительности и значительной ответственности. Один дефектный экземпляр, покидающий завод, ставит под угрозу репутацию работодателя.
Проблема для руководителей производства заключается в том, что типичный цикл вовлечения персонала следует знакомой последовательности. Инспектор присоединяется к команде и начинает приобретать знания и опыт, анализируя большое количество изображений AOI, помеченных как «ОК» или «НН». По мере накопления опыта, привычный и монотонный характер работы может привести к усталости. Распространенная ситуация: инспекторы достигают высокого уровня квалификации, а затем начинают искать другую должность в компании или даже уходят совсем. Ценность их экспертных знаний как для команды, так и для компании в целом, теряется.
Руководители могут разорвать этот порочный круг, обучив ИИ стать постоянно присутствующим, внимательным и неизменно вовлеченным экспертом. При правильном внедрении обученный ИИ может эффективно сохранять опыт, накопленный экспертами-инспекционщиками, работавшими в команде, и стать консультантом, готовым оказывать поддержку новым инспекторам, присоединяющимся к команде в будущем.
Обучение для процесса вторичной оценки:
Один из способов достижения этой цели — интеграция ИИ в рабочие станции, где инспекторы проверяют забракованные узлы после автоматизированной оптической инспекции (АОИ). Узлы, ошибочно идентифицированные как дефектные, могут быть возвращены в производство для окончательной сборки, а узлы с подтвержденными дефектами — отправлены на переработку.
При внедрении в процесс вторичной оценки ИИ первоначально присоединяется к команде инспекторов в качестве нового члена и должен обучаться в процессе работы у опытных инспекторов компании. Когда поступают забракованные узлы, инспекторы-люди анализируют данные и изображения АОИ, чтобы применить свою собственную оценку. Если их решение указывает на то, что АОИ выявила ложную ошибку (почти отсутствующий дефект), плата может быть отправлена на завершение оставшихся производственных процессов. Поскольку изображения АОИ и решения инспекторов-людей сохраняются, сервер ИИ использует эти накопленные данные для обучения моделей инспекции. По мере продолжения обучения с использованием ежедневно получаемых данных точность моделей повышается, и ИИ может начать поддерживать человеческое суждение во время проверок в режиме реального времени.
Такое обучение моделей позволяет им быстро достичь уровня уверенности, достаточного для оказания помощи инспекторам в принятии решений. При проверке дефектного участка «Станция оценки ИИ» может представить мнение ИИ с соответствующим показателем уверенности, как показано на рисунке 1. Этот уровень поддержки может быть особенно ценным для менее опытных инспекторов, поскольку позволяет им полагаться на помощь ИИ в сложных случаях, помогая им совершенствовать свои знания и одновременно повышая точность и производительность.
Рисунок 1. Первый уровень помощи ИИ в процессе вторичной оценки.
По мере достижения каждой моделью стабильного уровня достоверности, свидетельствующего о почти идеальной точности, ИИ готов к автоматической оценке конкретных типов компонентов и дефектов. На этом этапе превосходная оценка ИИ сочетается с навыками человека-инспектора, что обеспечивает более быстрый процесс при сохранении высокой точности и снижении утомляемости оператора.
С чего начать?
На рынок выходят программные приложения с подобными функциями, которые чрезвычайно эффективны в обнаружении дефектов сварки, таких как недостаточное качество сварки или неадекватное смачивание, выявляемых с помощью 2D-контроля AOI. Компания Yamaha Robotics создала свою среду AI Judgement Station, позволяющую клиентам самостоятельно создавать и обучать модели ИИ, используя собственные производственные данные. После выбора подходящих образцов для обучения пользователи могут использовать функции программного обеспечения для автоматического создания моделей ИИ, а затем обучать их в рамках машинного обучения, используя данные, собранные во время ежедневных инспекционных смен. Пользователи могут проверять точность по мере обучения, чтобы определить, когда модель стабилизировалась. После анализа достаточного количества качественных изображений и 30 или более дефектных изображений модель может достичь уровня точности, подходящего для помощи инспекторам в визуальном анализе. Этого можно достичь за короткое время, хотя большее количество изображений обеспечивает дальнейшее улучшение. После обработки более 1000 изображений качество модели может стать чрезвычайно высоким. Оценка ИИ занимает приблизительно одну секунду на одну инспекцию.
Искусственный интеллект и оптическое распознавание символов (OCR):
Одна из областей, где ИИ уже может обеспечить надежную, человекоподобную оценку и эффективно снизить нагрузку на инспектора, — это оптическое распознавание символов (OCR). Традиционное машинное зрение, основанное на правилах, может неправильно считывать символы с низким контрастом, скрытые царапинами или другими повреждениями, или покрытые посторонними материалами. Это распространенные риски в среде поверхностного монтажа, которые могут повлиять на важные маркировки, такие как номиналы компонентов, коды даты, маркировка полярности и идентификация платы (рис. 2).
Рисунок 2. Технология распознавания текста с использованием искусственного интеллекта (AI OCR) способна считывать маркировку, для которой в противном случае потребовалось бы визуальное подтверждение инспектора.
Подобно тому, как люди определяют символы в тексте с плохой читаемостью, искусственный интеллект может преодолеть эти проблемы, делая выводы на основе предыдущего обучения. Пакет Yamaha AI Judgement Station включает предварительно обученные модели распознавания текста с помощью ИИ, которые можно использовать сразу же, без каких-либо настроек или дополнительного обучения.
Автоматизированная онлайн-оценка:
По мере интеграции ИИ в корпоративную практику и его работы совместно с различными инспекторами-людьми, количество создаваемых моделей для охвата различных компонентов и типов дефектов продолжает расти, а уровень достоверности обучения достигает высокого уровня. Благодаря этому прогрессу, все меньше автоматизированных проверок требуют подтверждения от визуального инспектора. По мере снижения зависимости от человеческого опыта процесс вторичной оценки может быть полностью автоматизирован и в конечном итоге интегрирован в онлайн-режим, как показано на рисунке 3.
Рисунок 3. Вторая полностью автоматизированная оценка после обучения всех моделей ИИ.
Взаимодействие с визуальными инспекторами, предоставление рекомендаций и делегирование принятия решений при необходимости — все это соответствует как проактивному, так и осторожному подходам к внедрению ИИ в контроль качества. Более осторожные пользователи могут сохранять человеческий контроль, чтобы предотвратить пропущенные дефекты и избыточную проверку на следующем этапе, одновременно снижая рабочую нагрузку инспекторов. С другой стороны, такие пакеты, как AI Judgement Station от Yamaha, представляют собой дорожную карту к полной автоматизации для удовлетворения самых высоких требований клиентов.
Заключение:
Поскольку отрасли по всему миру изучают возможности использования ИИ в производственных процессах, производители компонентов для поверхностного монтажа применяют эту технологию для повышения производительности оптического контроля. Помимо создания библиотек моделей и генерации программ для онлайн-систем автоматического оптического контроля, ИИ также улучшает контроль, выявляя ошибочно забракованные платы.
Трехступенчатый подход, использующий ИИ для помощи, частичной автоматизации и полной автоматизации процесса вторичной оценки, эффективно обучает штатного эксперта по контролю качества справляться с этой повторяющейся и сложной задачей с неизменно высокой скоростью и точностью.
