智能化3D-AOI技术的分析与应用研究

张祎彤，陈 奎，张宇坤

(中国航空工业集团公司西安航空计算技术研究所, 陕西 西安710065)

0 引言

随着电子产品设计高精密和智能化的发展,PCBA上待检测的元器件分布越来越密,芯片管脚尺寸越来越小,对贴装错误和焊接缺陷的检测能力正随着制造业对产品的高质量发展而不断提升。针对PCBA的检测手段先后历经了从人工视觉检测MVI、自动视觉检测AVI到自动光学检测AOI的发展阶段,其中在AOI领域更是呈现出从2D平面检测到3D立体检测的技术迭代趋势。引入了高度精确信息的3D-AOI成像技术不但让2D检测更加精准,更让翘脚、浮高、爬锡不良等复杂缺陷无处遁形。传统的视觉检测过程由于存在照明、颜色变化,曲面、视野差异等许多不易被机器设备识别的变量,需要工艺操作人员具备大量的质检先验知识和缺陷检测经验,开发繁琐、环境适应性差且过杀、误判率偏高,直接导致传统的3D-AOI检测设备编程上手难、检测误判多、设备效率低。

随着人工智能技术的普及,在3C质检领域掀起了翻天覆地的变化,人工智能逐渐成为智能质检领域的重要使能环节。推进和加快人工智能基础设施是新基建的核心任务,更是支撑科技自立自强和数字经济发展的重要根基[1]。AI赋能的3D-AOI检测设备以深度学习算法为核心,面向多种缺陷形态进行统一建模,构建大规模的工艺缺陷知识库;以图形界面和极简设置实现快速智能编程与运行,环境容忍度较高、检测精度和效率均超出人工检测,更直观、更科学地完成三维光学自动检测作业,全面加强PCBA生产全过程的质量管控[2]。

1 三维AOI技术概述

三维AOI设备通过投影多幅相位不同的正弦光栅计算出连续相位,运用相位调制轮廓测量技术实现对精密元器件的三维形貌测量。

如图1所示,先进的3D-AOI成像技术能够在保留优异色彩的同时去除光晕阴影,获取高分辨率的彩色图像;通过对三维几何数值化的测量,能够实现全方位检测目标的轮廓形状,刻画细微形变,同时基于三维数据精准判别料外异物。

图1 三维AOI技术示意图

图2 高精度运动机构对比示意图

在二维图像的基础上引入高度立体信息,三维AOI设备能够精准检测贴片元件及焊锡缺陷,在高精度检出漏件、偏移、立碑、错件、尺寸、极性、桥连、丝印的同时,拦截住元器件引脚翘曲、浮高倾斜和锡珠不良等复杂缺陷。

而引入了AI技术后的智能3D-AOI设备通过大量正负样本的学习训练,能够自主寻找深层特征,掌握标准元件外形特征以及各种情况下的变化情况与程度。智能计算算法参数和判断规则并进行有效的判断,大幅减轻编程负担。

2 智能3D-AOI技术的先进性对比

智能的3D-AOI检测设备通常由高精度运动机构平台、先进图像采集系统、极简智能编程三部分组成。

极简编程易上手、算法智能低误判、设备稳定效率高。

2.1 高精度运动机构

在高精度运动机构部分能够实现自动模块上线和快速光学扫描功能。

传统设备中Z轴范围固定,无法清晰采集到高度超过5 mm部分的图像,受到轨道振动和运行速度的影响会出现晕影和基板不平整的现象。相比之下智能设备的X、Y、Z轴三向大范围可调,可以根据不同元器件高度,对Z轴方向高度进行调整,匹配最合适的高度。具备的高刚性投影传感结构能够大幅缓解高速运行时的产品振动,提供微米级的运动精度,如图3所示。同时配有基板高度自适应校正算法,能够获取最清晰的图像,有利于缺陷检测,全面适配通用载具与40 mm高度以下元器件的清晰检测要求。

图3 先进的图像采集对比示意图

2.2 先进的图像采集

在先进的图像采集部分能够实时生成高清图像并快速进行三维数据分析。

传统设备中成像界面图像色彩整体偏向橘红色,复判过程不易区分;且传统算法编程前需要对基板和元器件层层抽色,耗时长,精度低。

相比之下智能设备基于4个方向的投影成像,使用反射补偿算法最小化阴影问题,利用多视对应点相位一致性原理,深度图智能去除离群点噪声。成像界面的颜色高度还原产品原貌,缺陷颜色对比强烈,大幅提高检验人员复判效率;同时轻松实现任意角度位置板卡的定位,在拍照取图后自动进行基板颜色、焊盘颜色和丝印颜色的区分,进入编程后可以直接进行元器件的3D建模,直接开始缺陷算法的编程分析;对于与元器件同色类型基板底色的产品有着更高的通用性和更广的检测范围。

2.3 极简的智能编程

在极简的智能编程部分能够实现快速批量编程和智能缺陷检测功能。

智能3D-AOI设备摒弃传统设备编程过程中反复画框、逐层抽色、光源设置、向量调整和人工逐个分隔字符等大量繁琐操作,如图4所示,通过软件智能匹配光源、向量、算法和缺陷类型的对应关系,减少检验人员编程所需先验知识,大幅降低设备的编程上手操作难度。

图4 极简编程设置对比示意图

传统设备在编程过程中基于网格定位文件逐个识别目标器件,但各类型的元器件在不同视野、光照和曲面下的形态展现均有所不同,需要算法多维度掌握元器件特征并针对目标区域依次手动划分检测框,步骤繁琐且算法模型固化难以优化。

而智能设备能够根据图像的语义信息进行像素级的分类判断,自动框选出通用元器件,检出能力及泛化性较强,能智能化矫正元器件多样化偏差引起的误判。融合AI算法通过深度学习减少手工提取特征或规则的步骤,从海量原始正负样本中自动学习特征,提升编程速度。尤其是针对焊点和MARK点的编程环节,如图5所示,智能AOI算法可实现一键自动化框选焊锡点以及chip料,并智能配置通用参数。

图5 智能编程方式对比示意图

在完成首个管脚的参数建模后,智能AOI设备引入快速批量的阵列广播算法,在参数复制过程中具备图像自动对准功能,特征参数设置一步复制到位,无需手动添加和计算引脚个数与间距。最终在缺陷检测阶段,智能设备能够直接定位到缺陷具体管脚,大大提升复判精度。

2.4 自主学习与缺陷回溯

智能AOI设备提供端侧AI训练平台,快速小样本训练尾部新元器件与缺陷类型,让设备不断完善对器件不同形态的认知,真正降低误报率。让检测能力快速迭代、不断升级。

通过设备端的SPC分析工具,能够全周期记录并分析产品的过程数据,实现同产品同位置连续NG后的智能预警和停机操作,提醒操作人员进行产品检查。同时能够自动化生成详尽的检测报表,图文并茂地可视化展示时间戳、不良位置、缺陷具体信息和原始图像。此外支持远程查看和数据追溯,大幅度减少人工统计的工作量。

深度挖掘检测过程中的缺陷数据特征,为前端生产工序改进和检测模型优化提供重要的数据支撑。持续加强自动光学检测场景的理解与沉淀,透过质检缺陷分析溯源工艺和设计问题。

在PCBA回流炉前和炉后环节分别布置智能AOI设备能够实现缺件、反件、翘脚、浮高等缺陷检测。

3 智能AOI技术的应用范围

智能的AOI设备基于深度学习精准提取海量缺陷特征,通过AI技术快速完成模型迁移;除针对PCBA的缺陷检测功能之外,智能AOI设备自主学习、高度泛化和低误判率的特点使得该技术得以覆盖产品全周期生产质量检测过程中的各种典型工艺缺陷。

目前印制板件生产日趋小型化、精密化,线条越来越细,孔径越来越小,图形间距也越来越密集,在制版蚀刻阶段布置采用深度学习算法优化的智能2D-AOI设备,能够实现对PCB开路、短路、缺口、蚀刻不良、粗线违反和孔塞破等细微缺陷的检测。在PCB进行锡膏印刷后布置3D-AOI设备进行SPI检测,实现少锡、多锡、拉尖、锡型不良等缺陷检测。在三防涂敷阶段配置特殊UV光源和智能2D-AOI设备,能够自动识别涂覆区域并智能判定多涂,少涂,气泡,飞溅,异物等缺陷。

随着应用场景和范围的不断增加,AI赋能的AOI检测模型能够不断学习新器件和焊点,测试能力不断升级、快速迭代。

4 结语

智能的3D-AOI技术能够基于深度学习精准提取缺陷特征,通过AI模型自主识别检测区,降低传统AOI设备的误报率,提升直通率。在工业检测领域深度应用智能算法,使用大数据分析技术不断优化检测模型,能够减少设备的编程步骤与参数调整,降低工艺操作人员的使用门槛,降低二次复判人力,直接降低产品的生产成本。该技术应用覆盖广且使用场景多,能够极大提升生产现场的检测效率,优化生产制造成本,缓解人工依赖。在减少检验、复判人工成本的同时极大提升判别速度,编程效率整体提升60%,判别速度较人工提升5～10倍。实现提质、降本、增效的价值创造。