Технология визуального контроля размеров и углов позиционирования электронных изделий: интеллектуальный глаз высокоточного производства.

В связи с быстрым развитием электронных изделий в направлении миниатюризации и высокой интеграции, требования к точности изготовления достигли беспрецедентного уровня. В таких областях высокоточной обработки, как смартфоны, носимые устройства и автомобильная электроника, допуски размеров компонентов часто контролируются на уровне микрометров, а отклонение угла позиционирования при сборке должно быть менее 0,1 градуса. Традиционные методы ручной проверки больше не могут соответствовать строгим требованиям эффективности, точности и стабильности в современном электронном производстве. Технология машинного зрения стала ключевой технологией для обеспечения качества производства электронных изделий.

I. Основные принципы и системная структура технологии визуального контроля

Технология машинного зрения имитирует зрительную систему человека, используя промышленные камеры, оптические линзы, источники света и алгоритмы обработки изображений для бесконтактного и точного измерения размеров и углов электронных изделий. Ее основной принцип заключается в преобразовании проверяемого объекта в цифровое изображение, извлечении информации о его характеристиках с помощью алгоритмов обработки изображений и, наконец, выдаче результата измерения.

Полная система визуального контроля обычно состоит из четырех основных модулей: блока получения изображений, блока обработки изображений, блока обнаружения дефектов и блока вывода результатов. Блок получения изображений, включающий в себя такое оборудование, как система освещения, оптические линзы и промышленные камеры, отвечает за получение высококачественных изображений проверяемого объекта. Правильные схемы освещения и выбор камер высокого разрешения имеют решающее значение для качества изображения, напрямую влияя на точность и надежность последующих проверок.

При измерении размеров система машинного зрения устанавливает соответствие между размерами пикселей и фактическими физическими размерами посредством калибровки камеры и использует такие алгоритмы, как обнаружение краев и извлечение контуров, для точного расчета геометрических параметров, таких как длина, ширина, диаметр и расстояние между отверстиями объекта. Для определения угла позиционирования система определяет угол и направление вращения объекта в пространстве с помощью таких методов, как сопоставление признаков, аппроксимация линий и вычисление углов.

II. Применение технологии измерения размеров в электронном производстве

2.1 Контроль размеров электронных компонентов

Являясь фундаментальными строительными блоками электронных изделий, точность размеров электронных компонентов напрямую влияет на общую производительность и надежность устройства. Системы визуального контроля позволяют осуществлять высокоточное измерение внешних размеров, расстояния между выводами и размеров контактных площадок таких компонентов, как резисторы, конденсаторы, индукторы и разъемы.

Рассмотрим в качестве примера проверку разъемов. Современные разъемы имеют сложную структуру и миниатюрные размеры, поэтому традиционные методы ручной проверки недостаточны для обеспечения требуемого качества. Системы визуального контроля позволяют одновременно определять несколько параметров, таких как диаметр контактов, расстояние между контактами и расстояние между рядами, с точностью ±0,001 мм. Скорость проверки значительно превосходит ручную проверку, и это позволяет избежать несоответствий стандартам контроля из-за усталости.

2.2 Проверка размеров и расположения элементов на печатной плате

Технология визуального контроля играет решающую роль в процессе производства печатных плат (PCB). Автоматизированные системы оптического контроля (AOI) позволяют быстро и точно определять ключевые параметры, такие как размеры паяных соединений, ширина дорожек и положение компонентов.

Для производственных линий поверхностного монтажа (SMT) системы машинного зрения могут в режиме реального времени определять позиционные отклонения компонентов поверхностного монтажа. Вычисляя координаты X и Y, а также углы поворота, они направляют машину для установки компонентов, обеспечивая точную компенсацию положения и точную установку компонентов. Этот механизм обратной связи в реальном времени значительно повышает точность установки и эффективность производства.

2.3 Измерение размеров полупроводникового корпуса

В полупроводниковой промышленности технология визуального контроля применяется на многих этапах, включая изготовление пластин и тестирование упаковки. Измерение размеров пластин требует чрезвычайно высокой точности. Системы машинного зрения позволяют осуществлять высокоточное измерение таких параметров, как диаметр, толщина и плоскостность пластин, одновременно обнаруживая мельчайшие дефекты на поверхности пластины.

В процессе упаковки интегральных схем системы машинного зрения могут определять такие параметры, как размеры корпуса, расстояние между выводами и копланарность, чтобы гарантировать соответствие качества упаковки стандартам. По мере развития технологий упаковки микросхем в сторону меньших размеров и большей плотности, требования к точности визуального контроля также соответственно возрастают. В настоящее время передовые системы могут достигать точности измерений на субмикронном уровне.

III. Ключевые технологии и области применения определения угла

3.1 Основные методы определения угла

Определение угла — ключевая технология в процессах сборки, выравнивания и склеивания с использованием машинного зрения. К распространенным методам определения угла относятся сопоставление шаблонов, обнаружение краев и сопоставление опорных точек.

Метод сопоставления шаблонов сравнивает детектируемое изображение с предварительно заданным шаблоном и вычисляет разницу в угле поворота между ними. Этот метод подходит для объектов с очевидными характерными узорами, но может оказаться неэффективным при повороте на большой угол или частичном перекрытии.

Методы обнаружения границ извлекают краевые характеристики объекта, аппроксимируют его прямыми линиями или кривыми и вычисляют угол относительно заданного направления. В таких приложениях широко используются алгоритмы обнаружения границ, такие как оператор Кэнни и оператор Собеля. Для круглых или симметричных объектов центр можно определить, найдя функцию окружности, а затем направление угла можно определить, комбинируя другие характеристики.

3.2 Реализация высокоточной угловой детекции

В таких сложных областях применения, как обработка полупроводниковых пластин и лазерная резка, допуск на угловые ошибки может составлять всего ±0,1° или даже больше. Для достижения такой высокой точности системы машинного зрения используют различные методы:

Технология объединения данных с нескольких камер: координация бинокулярных или многоракурсных наблюдений спереди и сзади повышает надежность оценки положения объекта. Многокамерные системы могут получать изображения объектов с разных ракурсов и вычислять трехмерное положение объекта, включая углы поворота, используя принципы триангуляции.

Субпиксельное обнаружение границ: Традиционное обнаружение границ на уровне пикселей ограничено разрешением камеры, что затрудняет достижение сверхвысокой точности. Алгоритмы субпиксельного обнаружения границ используют интерполяцию и другие методы для повышения точности позиционирования границ до субпиксельного уровня, тем самым значительно повышая точность измерения углов.

Механизм обратной связи с замкнутым контуром: результаты визуального обнаружения передаются в контроллер движения в режиме реального времени, динамически корректируя положение платформы. Эта система управления с замкнутым контуром может компенсировать отклонения углов, вызванные механическими ошибками, температурным дрейфом и другими факторами, обеспечивая долговременную стабильность.

3.3 Анализ практического применения

В производстве ЖК-панелей соединение стеклянной подложки и тонкой пленки требует чрезвычайно высокой точности позиционирования. Системы машинного зрения определяют положение и угол меток выравнивания, рассчитывают отклонения при склеивании и направляют оборудование для точной регулировки. В последние годы, с развитием технологии автоматической калибровки, системы машинного зрения могут автоматически выполнять калибровку камеры и преобразование координатной системы, что значительно сокращает время ручного вмешательства и отладки.

На сборочных линиях смартфонов установка модулей камер требует точного позиционирования по углу. Системы машинного зрения обнаруживают опорные точки или метки на модуле камеры, вычисляют угол его поворота относительно материнской платы телефона и направляют роботизированную руку для точного позиционирования. Это приложение требует чрезвычайно высокой производительности в реальном времени при определении угла, обычно с обнаружением и обратной связью в течение миллисекунд.

IV. Технические проблемы и инновационные решения

4.1 Проблемы контроля, возникающие в связи с миниатюризацией

По мере уменьшения размеров электронных изделий, объекты контроля становятся все меньше. Компоненты в корпусах 0201 (0,6 мм × 0,3 мм) или даже 01005 (0,4 мм × 0,2 мм) стали широко распространены, что предъявляет чрезвычайно высокие требования к разрешению и алгоритмам обнаружения систем машинного зрения.

Предлагаемые решения включают использование камер высокого разрешения с телецентрическими линзами для устранения перспективных искажений; применение специальных методов освещения, таких как коаксиальное и кольцевое освещение, для выделения мельчайших деталей; а также разработку алгоритмов обработки изображений, специально предназначенных для небольших объектов, с целью повышения отношения сигнал-шум и точности извлечения признаков.

4.2 Стабильное обнаружение в сложных фоновых условиях

Условия на линиях по производству электронных изделий сложны, и такие факторы, как отражения, тени и загроможденный фон, влияют на стабильность визуального контроля. В частности, сильно отражающие материалы, такие как металлические поверхности и зеркальные отражения, могут легко привести к переэкспозиции изображения или потере деталей.

Для решения этой проблемы промышленность разработала различные технологии защиты от помех: поляризованное освещение может эффективно подавлять отражения металлов; Комбинации многоугольного освещения могут адаптироваться к различным характеристикам поверхности; а алгоритмы глубокого обучения, обученные на большом количестве образцов, учатся распознавать целевые особенности на сложном фоне, повышая надежность обнаружения.

4.3 Обнаружение в реальном времени на высокоскоростных производственных линиях

Современные линии по производству электроники работают на чрезвычайно высоких скоростях, при этом машины для поверхностного монтажа достигают скорости в десятки тысяч точек в час. Это создает серьезную проблему для скорости обработки данных системами машинного зрения. Система контроля должна завершить получение, обработку, анализ изображений и обратную связь в очень короткие сроки.

Для обеспечения работы в режиме реального времени система машинного зрения использует многоядерную параллельную обработку, ускорение на графическом процессоре и специализированное аппаратное обеспечение для обработки изображений, что значительно повышает скорость обработки. Одновременно оптимизирована структура алгоритма для уменьшения ненужных вычислений, и применяется иерархическая стратегия обнаружения: сначала быстро проверяются области с подозрением на дефект, а затем проводится более детальный анализ этих подозрительных областей.

V. Интеграция и инновации искусственного интеллекта и визуального контроля

5.1 Применение глубокого обучения в обнаружении дефектов

Традиционные системы визуального контроля основаны на предустановленных правилах и инженерии признаков, что приводит к плохой адаптации к новым продуктам и новым типам дефектов. Системы визуального контроля на основе искусственного интеллекта с использованием глубокого обучения и таких алгоритмов, как сверточные нейронные сети (CNN) и трансформеры, могут автономно изучать признаки дефектов на основе образцов изображений продукции и создавать динамически обновляемые модели обнаружения.

Рассмотрим в качестве примера проверку контактов микросхемы. Традиционные методы требуют ручного определения различных параметров дефектов. Однако системы глубокого обучения, благодаря обучению на большом количестве образцов, автоматически изучают различия в характеристиках между нормальными и дефектными контактами. Точность обнаружения таких дефектов, как изгиб, поломка и смещение, может достигать более 99,9%, что значительно превосходит среднюю точность ручной проверки в 85%.

5.2 Создание адаптивной системы контроля

Системы машинного зрения на основе искусственного интеллекта способны не только обнаруживать дефекты, но и постоянно обучаться и оптимизировать стратегии контроля. Система может автоматически корректировать параметры и пороговые значения контроля на основе исторических данных, адаптируясь к незначительным изменениям в производственном процессе. При появлении нового типа дефекта система может быстро обучаться на небольшом количестве образцов и обновлять модель контроля без перепрограммирования.

Эта адаптивная способность особенно важна в контексте быстрой итерации в производстве потребительской электроники. Такие продукты, как мобильные телефоны и планшеты, имеют короткие циклы обновления, а их дизайн и технологические процессы производства часто меняются. Традиционные системы машинного зрения требуют частой корректировки, в то время как системы искусственного интеллекта могут быстро адаптироваться к этим изменениям, значительно сокращая время выхода новых продуктов на рынок.

5.3 Внедрение прогнозного контроля качества

Интеграция систем визуального контроля с системами управления производством (MES) и системами планирования ресурсов предприятия (ERP) позволяет предприятиям создать полный замкнутый цикл контроля качества от проверки до анализа. Огромные объемы данных, собранных системой визуального контроля, в сочетании с такой информацией, как параметры производства и состояние оборудования, могут быть проанализированы с помощью больших данных для прогнозирования тенденций качества и заблаговременного выявления потенциальных проблем.

Например, на линии по производству электродов для батарей система технического зрения выполняет сканирование поверхности каждые 0,5 секунды, и обнаруженные дефекты, такие как микроотверстия и складки, мгновенно передаются в систему MES. Алгоритм автоматически определяет первопричину проблемы, сопоставляя параметры процесса, такие как скорость работы машины для нанесения покрытия и вязкость суспензии. Если дефекты сосредоточены в определенной области, срабатывает предупреждение о необходимости технического обслуживания оборудования, чтобы предотвратить дальнейшее возникновение дефектов.

VI. Тенденции и перспективы будущего развития

6.1 Популяризация технологии трехмерного визуального контроля

Традиционный двухмерный визуальный контроль имеет ограничения в измерении трехмерных параметров, таких как высота и плоскостность. С развитием трехмерных технологий визуального контроля системы трехмерного контроля, основанные на таких принципах, как структурированный свет, лазерная триангуляция и бинокулярное стереоскопическое зрение, быстро получают широкое распространение в электронной промышленности.

Трехмерное зрение позволяет измерять трехмерные параметры, такие как высота, объем и плоскостность объектов, что имеет большое значение для определения высоты паяного соединения, соосности компонентов и деформации корпуса. При контроле упаковки микросхем трехмерное зрение может точно измерять распределение высоты паяных шариков для обеспечения качества пайки; при контроле экранов оно может измерять плоскостность и кривизну стеклянного покрытия.

6.2 Мультимодальная инспекция с использованием метода слияния изображений

Одного визуального метода недостаточно для решения всех задач контроля. В будущем ожидается интеграция видимого света с многомодальными технологиями контроля, такими как рентгеновское, инфракрасное и ультразвуковое исследование. Рентгеновское зрение позволяет обнаруживать скрытые паяные соединения в корпусах BGA; инфракрасная тепловизионная съемка позволяет обнаруживать горячие точки и короткие замыкания в цепях; а ультразвуковой контроль позволяет выявлять внутренние дефекты материалов.

Системы многомодального слияния данных позволяют получать информацию о продукте из разных источников, обеспечивая более комплексную оценку качества. Благодаря алгоритмам слияния информации система может синтезировать результаты проверки из различных источников для получения более точных заключений, уменьшая количество ложных срабатываний и ложных отрицаний.

6.3 Сотрудничество в области граничных вычислений и облачных платформ

С развитием технологий Интернета вещей и 5G системы визуального контроля эволюционируют от централизованной обработки к архитектуре, основанной на взаимодействии периферийных и облачных устройств. Периферийные устройства отвечают за сбор данных в реальном времени и предварительную обработку, в то время как облачная платформа выполняет анализ больших данных и обучение моделей.

Эта архитектура обеспечивает контроль в режиме реального времени, в полной мере используя мощные вычислительные возможности и возможности хранения данных облака. Облако может агрегировать данные контроля с нескольких заводов, обучать более мощные модели ИИ, а затем распространять их на периферийные устройства, обеспечивая непрерывное развитие возможностей контроля.

VII. Заключение

Технология визуального контроля для измерения размеров и углов позиционирования электронных изделий превратилась из вспомогательного инструмента в незаменимую ключевую технологию в современном производстве электроники. Это не только последняя линия защиты в контроле качества, но и ключевой фактор оптимизации процессов и повышения эффективности. С непрерывным развитием таких технологий, как искусственный интеллект, 3D-зрение и мультимодальное слияние, системы визуального контроля станут более интеллектуальными, точными и надежными.

В будущем технологии визуального контроля будут продолжать развиваться в направлении повышения точности, скорости и адаптивности, глубоко интегрируясь с такими технологиями, как робототехника, Интернет вещей и цифровые двойники, для создания более интеллектуальной и гибкой производственной экосистемы. Для компаний, занимающихся производством электроники, активное внедрение инноваций в технологии визуального контроля является не только неизбежным выбором для повышения качества продукции и конкурентоспособности, но и важным шагом на пути к Индустрии 4.0 и интеллектуальному производству.

На пути к высокоточной обработке машинное зрение, эти «интеллектуальные глаза», будут продолжать наблюдать за микроскопическим миром, обеспечивать качество каждого электронного изделия и направлять всю отрасль к более высоким стандартам. От крошечных контактов микросхем до точного соединения дисплеев, от высокоскоростных линий поверхностного монтажа до сложной упаковки полупроводников, технология визуального контроля, обладающая незаменимой ценностью, пишет новую главу в развитии высококачественной электронной промышленности.