最近市面上出现好称一键编程的AOI，可以自动画框，默认参数，大部分无需调整，只需小范围的修改就可以了，事实果真如此吗？设备检出率和误报率如何呢？
深度学习和传统的AOI视觉算法最大的不同就在于特征提取。传统的视觉学习算法,需要依赖人类的专家手动从数据中提取特征,基于这些提取的好的特征,用简单的算法进行判断或分类,选取例如模版匹配这一类的传统算法,进行判断或者处理
以SMT AOI中的编程阶段为例,目前市面上所有的SMT AOI都需要人工进行编程,而这一过程的核心就是基于规则和经验,让编程人员来手动提取PCB图片上元器件的各个特征,这些特征包括元器件的外框、焊锡区域、OCR文字区域,以及更详细的用于判断不同缺陷的子区域等等,除了区域选择,编程人员还需要对这些区域设定例如颜色、位移等容忍范围的阈值作为后续判定缺陷的规则。并且不同类型的元器件,这些特征区域和判定规则都不一样,所以需要每类器件都需要重新编程。这导致整个编程过程非常繁琐耗时,一块线路板的编程可能消耗几十分钟到几个小时不等。而且因为后面用于判断缺陷的算法,都依赖于人工编程提取的图片特征,最终AOI的稳定性/误报率也很依赖于编程人员的经验和判断。
现在市面上已经有不少厂家尝试在做到一键编程去进行检测,但这些往往都是基于丰富的元器件库的导入达到的加速,所以整个过程的本质依旧是没变。这种做法依旧高度依赖于人工提取图片特征来进行缺陷比对,且在遇到新的未知元器件或者料号不准确时,元器件库的作用便无法发挥,又得回归到缓慢繁琐的人工画框调试。检测设备对于元器件库与人力的依赖依旧很高，检出率和误报率都不稳定，有的客户用过的好，有的用不到，道理就在这里。
真正的一键编程,是采用了深度学习来自动提取图片特征后,在不需要元器件库的情况下实现的。AOI中的深度学习算法在不需要任何额外训练的情况下,可以自动准确地检测出客户提供的不同PCBA板上不同元器件以及其重要组成区域(封装、焊盘、引脚、OCR和极性等),而且需要在后续判断缺陷中也使用深度学习算法,这样编程不需要像传统AOI一样人为确定颜色容忍度,进步大大简化了编程流程,提高了编程的效率。所以只有真正基于深度学习的AOI,实现了真正意义上的自动一键编程,将PCBA编程所需要的时间缩短到了几十秒到几分钟。深度学习的AOI设备的金板基本不需要人工参与,因此对编程人员的培训也变得非常简单。此外,在编程阶段深度学习算法的持续训练和提升,也能直接惠及到所有的客户用户的应用上。
评论