【導讀】在制造業中，檢測是必不可少的功能。視覺檢測可確保產品符合其預期的功能和外觀，并為制造商和客戶帶來重要利益。最明顯的是，檢測結果能夠提供質量保證，可以通過產品標注或標簽直接傳達給客戶，或者在制造工廠內記錄，并作為其質量控制過程的一部分。如果產品從現場退回，檢測報告還可以幫助進行故障排除，并可以幫助制造商處理任何索賠。
在制造業中，檢測是必不可少的功能。視覺檢測可確保產品符合其預期的功能和外觀，并為制造商和客戶帶來重要利益。最明顯的是，檢測結果能夠提供質量保證，可以通過產品標注或標簽直接傳達給客戶，或者在制造工廠內記錄，并作為其質量控制過程的一部分。如果產品從現場退回，檢測報告還可以幫助進行故障排除，并可以幫助制造商處理任何索賠。
此外，在生產過程中識別出所有不合格物品可以幫助確定是否需要調整制造工藝或程序，檢測結果可以幫助確定故障原因，例如，電子產品表面貼裝機中的噴嘴堵塞，瓶裝設備故障或標簽機械未對準等等。實時識別缺陷可以做到立即停止生產，從而馬上解決問題。越早發現質量問題，解決問題的成本就越低。業界經常引用一個“十倍規則”：產品開發階段發現錯誤的成本比生產階段低十倍，依次而行，生產階段的錯誤成本比現場應用也低十倍。
從人工檢測到AOI
通常對生產的每個產品都需要進行檢測。經過訓練的操作員可以人工進行檢測，尤其是在處理簡單產品或作為整體外觀最終檢測時更是如此。印刷電路板組件（PCBA）等一些應用可能需要放大設備，最小的功能尺寸（例如高密度IC互連和焊接在電路板上的01005大小SMD芯片）（見圖1），都對檢測人員的視覺敏感度（visual acuity）提出很大挑戰。
圖1：焊接在PCB上的表面貼裝芯片。
但是，隨著產品復雜性的提高，一些典型組件可能包含大量此類器件。檢測員在進行檢測并記錄結果時，必須要克服視覺和節拍時間的雙重挑戰，可能導致人工檢測不切實際。在某些情況下，例如高速灌裝工藝，可能根本無法進行人工檢測。
隨著特征尺寸、復雜性和吞吐量方面的挑戰越來越嚴峻，自動光學檢測（AOI）成為確保對每個項目進行充分檢測的唯一實用方法。
AOI包括圖像傳感，照明和計算子系統，它們協同工作以便捕獲和分析圖像。AOI系統可以將捕獲的圖像與參考圖像進行比較，之后得以能夠識別材料表面的缺陷、焊接缺陷或PCBA上元件缺失或放錯位置等缺陷?；蛘?，基于某些規則的系統會測量特征尺寸（例如組件本身或每個接頭中焊料量），以確定“良好”（G）或“不良”（NG）狀態。如果檢測到缺陷，則機器設備可以隔離有缺陷物品，然后繼續進行后續檢測，或者暫停并警告操作員。
盡管AOI在復雜性、吞吐量存在，或兩者兼而有之的情況下已經超過了人工檢測，但是傳統的圖像處理系統和算法仍存在一些缺點，這些缺點在系統和軟件開發以及在工廠車間進行設備安裝時非常明顯。
從傳統圖像處理到AI
圖像識別的基本原理是將每個捕獲的圖像數字化，并應用各種濾鏡來檢測圖案和特征。邊緣檢測濾鏡通常用于檢測圖像中的對象。能夠識別人類的算法可以應用坡度斜率檢測（slope detection）來識別手臂、肩膀，、腿部等特征，該算法還需要檢測這些被檢測特征相對于彼此的方向，作為進一步的界定標準。
檢測焊點的算法可以采用邊緣檢測和顏色檢測來識別焊點，并檢測焊點表面（fillet）的坡度是否在可接受范圍內。光學系統可以使用不同顏色從不同角度照亮待測單元。如果焊點表面的斜率正確，則可能會反射出更大比例的綠色波長。如果有更多的紅色波長或整個表面上呈現不斷變化的顏色組合，則表示有較淺焊點表面，表明焊料量或焊球形成不足，表明在焊接過程中沾錫較差。
無論是在安全監控或汽車行人檢測等應用中的人員識別，在社交媒體應用中的面部識別，還是在工業檢測中進行缺陷檢測等所有應用，傳統的圖像識別都面臨著眾多挑戰。
定義規則并創建算法以檢測和分類數字圖像中的對象非常復雜。在工業檢測中，開發可靠的算法既昂貴又費時。在檢測PCB組件時，焊點的質量只是要檢測的一個標準，還必須驗證每個組件的存在，以及相對于阻焊層的（solder mask）位置和方向、組件的共面性以及不需要的物體（例如焊料飛濺在電路板表面上）的存在。為所有情況和所有例外創建規則幾乎是不可能的。
微調算法和添加更多算法以覆蓋其他更多情況，這是一項永無止境的任務，需要不斷更新軟件。每當行業中使用新產品（例如高級電子組件封裝）時，都必須開發新算法以對其進行檢測。
人工智能（AI）可以在一定程度上模仿人類將學到的經驗應用到圖像識別，從而能夠應對無限變化帶來的挑戰。在AI總體概念下涵蓋的各種計算結構中，卷積神經網絡（CNN）通常用于圖像識別。這些包括相互連接的人工神經元，并排列成層（見圖2）。它們通常是深度神經網絡，在輸入和輸出層之間包含多個內部或隱藏層。隱藏層對從前一層接收到的數據執行特定、嚴格定義的采樣（pooling）和卷積計算。結果被發送到下一層，最終到達輸出層，可表明是否已識別出所尋找的對象。
圖2：CNN層。
在部署CNN之前，需要對其進行訓練以識別特定對象。在此過程中，通過每個答案的正確或不正確來調整每個神經元在生成該答案中的重要性或權重，經過多次迭代，CNN可以識別出具有較高正確性的圖像。在這一點上，可以認為它是經過訓練，而冗余神經元可以刪除，然后準備將神經網絡部署為推理引擎，這或許是在云端實現，或許是在嵌入式計算平臺上實現。
將兩個領域融合在一起
AI可以為AOI設備的供應商和用戶帶來巨大優勢。從供應商的角度來看，如果AI可以判斷看到特定對象的幾率，則可以簡化算法開發。通過減少定義每個對象和相應可接受標準的工作量，有助于縮短新設備的上市時間，并減少持續的軟件支持成本。對于用戶而言，通過AI實現的增強型AOI可以簡化檢測系統設置、編程和微調“良好” /“不良”警報的閾值。
AI現在正在進入AOI設備市場。一個范例是AAEON與AOI供應商合作伙伴共同創建，用于AI推理的嵌入式工業機器視覺計算平臺和多處理器擴展卡。該平臺可使AOI用于檢測多個產品線，而無需重新配置。與傳統系統相比，它具有更高的準確性和更少的誤報，還可以快速接受培訓以檢測新產品或識別以前未知的缺陷。
另一個范例是用于PCB組件檢測的MEK（Marantz）ISO-Spector M1A。該系統基于AI，可學習組裝和回流PCB的生產過程值，并基于數百個預設參數來識別缺陷。通過處理一些典型的挑戰，例如確定最佳光照水平，攝像頭位置，每個視圖的攝像頭設置以幫助缺陷檢測，以及調整檢測閾值以確保捕獲缺陷單元而不會進行過多的錯誤NG，能夠減少編程中涉及的人為因素。 AI能夠比人類專家快得多地自動調整多個參數，并以顯著降低的錯誤風險來做出決策，無論AOI系統是由初學者還是由專家進行編程，都可以實現一致的檢測結果。
中國制造商VCTA亦將AI添加到了其用于PCB制造的AOI系統中，從而可提供更強的操作能力：降低了廢品率，提高了產能和質量。
AOI系統架構
此類系統的特性凸顯了AI可為包括安全和零售在內許多領域的檢測應用所帶來的優勢。在需要搜索圖像以檢測對象和特征或識別個人等特征的應用場景，AI可以簡化設置和編程，消除人為錯誤，最小化延遲并能夠支持更好的決策。
為了幫助開發人員充分利用該技術，攝像頭模塊現已進入市場，并具備軟件支持以簡化AI開發，這其中的范例包括Basler AI視覺方案套件（Vision Solution Kit）。該套件（見圖3）可與1300萬像素Basler dart（飛鏢)攝像頭和用于配置和操作相機的pylon攝像頭軟件套件一起使用。 Basler云端可提供用于對象檢測和人員識別，且經過預先訓練的機器學習模型，可在套件上進行部署。開發人員還可以自由地將自己的模型用于任何應用。
圖3：Basler AI視覺解決方案套件。
Intel RealSense D400立體視覺深度相機系統集成了RealSense D4視覺處理器、一個立體深度模塊、一個具有彩色圖像信號處理功能的RGB傳感器和慣性測量單元，可滿足諸如機器人視覺、無人機、虛擬現實和家庭安全等應用的要求。深度模塊將左右成像器與可選紅外投影儀結合在一起，此紅外投影儀可投射不可見的靜態紅外圖案，以提高低紋理應用中的景深精度。
RealSense深度攝像頭在與TensorFlow或OCV等機器學習平臺一起使用時，可為對象檢測和分類等應用帶來更多價值。攝像頭模塊的單像素深度信息有助于解決其他挑戰，例如估算視野中物體的尺寸?？赏ㄟ^Intel RealSense網站的鏈接獲得相關指導教程和示例代碼，其中給出了如何達到此目的。
結論
生產線上的AOI能夠以和生產線匹配的速度運行，并且已經在支持各行各業的制造商提高質量保證，保證生產率，并不斷改進生產流程。在AI基礎上的進一步提升是AOI的未來發展方向，為光學檢測應用而訓練的算法能夠帶來提高決策能力的額外好處，可減少操作員的參與，簡化編程，并可提供更強大的性能，從而能夠提高缺陷檢測的確定性，同時減少誤報。
開發人員和創客可以開始探索如何使用來自領先制造商，并由貿澤電子提供的AI攝像頭套件來加強各種機器視覺應用。
(來源：Mark Patrick，貿澤電子)
免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問題，請電話或者郵箱聯系小編進行侵刪。
