Trung tâm kiến thức
Mục lục

Nhận dạng thị giác AI trong kiểm tra PCB

Giá trị cốt lõi của nhận dạng thị giác AI trong kiểm tra PCB là biến việc phán đoán khuyết tật vốn dựa vào mắt người và lấy mẫu thành kiểm tra toàn bộ tại dây chuyền dựa trên chụp ảnh và mô hình thuật toán, xuất ổn định các phán đoán có thể truy xuất trong quy trình lắp đặt SMT, hình thành mối hàn và in lụa ký tự. Cái nó giải quyết không phải nhìn rõ hơn mà là phán đoán nhất quán, ghi nhận đáng tin cậy và truy xuất ngược được.

1. Nhận dạng thị giác AI thực sự giải quyết vấn đề gì trong kiểm tra PCB?

Khó khăn lâu năm trong sản xuất PCB là hình thái khuyết tật đa dạng và vị trí khuyết tật ngẫu nhiên: lệch, dựng bia, thiếu kem hàn, cầu hàn, hàn nguội, vết xước và in sai ký tự. Với lô nhỏ và chuyển đổi thường xuyên, tiêu chuẩn phán đoán ngoại quan thủ công dễ trôi, và các ca khác nhau cùng nhân viên kiểm tra khác nhau có thể đưa ra kết luận khác nhau trên cùng một bo mạch. Lấy mẫu cũng mang xác suất lọt lỗi cố hữu, và khi khuyết tật xuống tới lắp ráp hạ nguồn thì chi phí làm lại tăng theo cấp số nhân.

Điều nhận dạng thị giác AI làm là chuyển phán đoán khuyết tật từ kinh nghiệm con người thành đầu ra của mô hình. Bằng cách thu mẫu ảnh chuẩn để huấn luyện mô hình phát hiện, hệ thống cho mỗi bo mạch một lớp khuyết tật, tọa độ vị trí và độ tin cậy, rồi ghi các kết quả này vào cơ sở dữ liệu tích hợp với MES. Điều này mang lại ba lợi ích trực tiếp: tiêu chuẩn phán đoán được cố định và không còn dao động theo người; kiểm tra toàn bộ thay lấy mẫu nên tỷ lệ lọt lỗi trở nên kiểm soát được; và mỗi bo mạch có ảnh cùng bản ghi phán đoán, cung cấp bằng chứng khi truy xuất khiếu nại khách hàng.

2. Nguyên lý kỹ thuật và năng lực then chốt của hệ thống này là gì?

Một kiến trúc điển hình có ba lớp: chụp ảnh, thuật toán và quyết định.

Lớp chụp ảnh đặt ra trần. Kiểm tra PCB thường dùng camera công nghiệp diện tích với ống kính viễn tâm, hoặc camera quét dòng với bàn chuyển động. Độ phân giải phải khớp kích thước khuyết tật nhỏ nhất; thực hành phổ biến trong ngành là ánh xạ khuyết tật nhỏ nhất phát hiện được sang 3 đến 5 điểm ảnh, nên để phát hiện đáng tin cậy thiếu kem hàn 0,1 mm, độ chính xác điểm ảnh thường cần ở mức 0,02 đến 0,03 mm. Nguồn sáng chủ yếu là đèn vòng đa góc hoặc đèn đồng trục, với đèn vòm phổ biến trong kiểm tra mối hàn để triệt phản xạ gương và làm nổi bật hình thái ba chiều. Với bo mạch dễ biến dạng như FPC, còn phải tính tới bù trừ giãn nở co ngót và nhận dạng dấu chuẩn.

Lớp thuật toán là phần cốt lõi. Các giải pháp thời kỳ đầu dựa vào đối chiếu mẫu và ngưỡng luật, hiệu quả với khuyết tật cố định trên gói cố định nhưng phải tinh chỉnh lại tham số mỗi lần chuyển đổi. Ngày nay chủ đạo là mô hình phát hiện khuyết tật học sâu được huấn luyện trên mẫu bình thường cộng số ít mẫu khuyết tật, xuất kết quả phân loại và phân đoạn. Các chỉ số then chốt gồm tỷ lệ phát hiện, tỷ lệ loại nhầm và nhịp kiểm tra mỗi bo mạch. Nếu tỷ lệ loại nhầm không kiểm soát tốt và báo động giả thường xuyên thì dây chuyền sẽ bỏ hệ thống, điều này ảnh hưởng tới triển khai nhiều hơn là tỷ lệ phát hiện.

Lớp quyết định liên kết với dây chuyền. Kết quả kiểm tra kích hoạt phân loại qua giao diện SMEMA hoặc tín hiệu PLC, và dữ liệu được tải lên MES hoặc SCADA qua các giao thức như OPC-UA và MQTT để hình thành bản ghi chất lượng theo lô. Một số giải pháp hỗ trợ trạm phán đoán lại, đẩy các mẫu có độ tin cậy thấp cho người xác nhận, với kết quả xác nhận được phản hồi để lặp mô hình.

3. Bối cảnh ứng dụng điển hình trong sản xuất là gì?

Giả sử một nhà máy điện tử sản xuất bo mạch chủ điện tử tiêu dùng triển khai trạm AOI ở cuối dây chuyền SMT để kiểm tra lệch lắp đặt, thiếu chi tiết, ngược cực và cầu hàn. Bối cảnh như vậy có nhịp nhanh và loại bo mạch tương đối cố định, phù hợp mô hình học sâu cho kiểm tra toàn bộ tại dây chuyền với kết quả trực tiếp dẫn dắt phân loại NG.

Giả sử một doanh nghiệp phụ tùng ô tô sản xuất PCB cho mô-đun điều khiển ô tô với yêu cầu cao về độ tin cậy mối hàn, cần chú ý tới các đặc trưng bên trong như hàn nguội và rỗng ruột vượt ngoài khuyết tật ngoại quan. Chỉ chụp ảnh ánh sáng khả kiến là không đủ ở đây, và người ta thường kết hợp X-ray hoặc cảm biến dịch chuyển laser để phán đoán đa phương thức; thị giác AI đảm nhận sàng lọc khuyết tật ngoại quan và định vị tọa độ, đánh dấu vùng nghi ngờ để các trạm sau rà soát.

Giả sử thêm một nhà sản xuất bo mạch điều khiển công nghiệp chạy lô nhỏ nhiều chủng loại với chuyển đổi thường xuyên và cỡ lô nhỏ. Điểm đau trong bối cảnh này là chi phí chuyển đổi mô hình, nên ưu tiên các giải pháp hỗ trợ chuyển đổi nhanh và yêu cầu ít mẫu, hoặc có thể quản lý chiến lược kiểm tra theo công thức cho từng loại bo mạch, gọi công thức khớp khi chuyển đổi thay vì huấn luyện lại.

4. Cần lưu ý gì khi lựa chọn và triển khai

Cấu hình phần cứng thế nào. Hãy tính độ chính xác điểm ảnh trước, rồi suy ra độ phân giải camera và trường nhìn ống kính, chứ không làm ngược lại. Nguồn sáng phải khớp loại khuyết tật; mối hàn, in lụa và mặt nạ hàn đáp ứng rất khác nhau với chiếu sáng, nên hãy mang bo mạch thật để thử chiếu sáng. Độ chính xác bàn chuyển động và đồng bộ kích hoạt camera cũng phải được xác nhận, nếu không ảnh bị nhòe sẽ trực tiếp ăn mòn hiệu năng thuật toán.

Tích hợp với dây chuyền hiện có thế nào. Hãy xác nhận thiết bị kiểm tra có hỗ trợ kết nối SMEMA, có cung cấp tín hiệu vào ra PLC, và giao diện dữ liệu là OPC-UA hay giao thức riêng. Nếu nhà máy đã có MES, hãy xác nhận trước liệu các trường dữ liệu khuyết tật có thể được ánh xạ, tránh phải phát triển thứ cấp sau khi vận hành.

Triển khai mất bao lâu. Cách làm thông thường là thu thập và dán nhãn mẫu trước, rồi huấn luyện mô hình ban đầu, rồi chạy thử lô nhỏ để tinh chỉnh tỷ lệ loại nhầm, và cuối cùng sản xuất hàng loạt. Chu kỳ phụ thuộc chủ yếu vào số loại khuyết tật và độ khó lấy mẫu; hình thái càng đa dạng và mẫu càng khó lấy thì càng lâu. Đừng tin những tuyên bố vận hành trong một tuần trừ khi loại khuyết tật cực kỳ đơn giản.

Ngộ nhận phổ biến là gì. Thứ nhất, chỉ nhìn tỷ lệ phát hiện mà không nhìn tỷ lệ loại nhầm, nên hệ thống bị dây chuyền tắt sau những lần báo động giả liên tục. Thứ hai, huấn luyện trên mẫu phòng thí nghiệm rồi đi thẳng vào sản xuất hàng loạt, và kết quả sụp đổ khi chiếu sáng cùng trạng thái bề mặt bo mạch thay đổi. Thứ ba, bỏ qua thiết kế quy trình phán đoán lại, để mẫu độ tin cậy thấp không có lối ra và nhân viên vận hành cho qua theo cảm tính.

Cơ cấu chi phí ra sao. Chủ yếu gồm bốn phần: phần cứng chụp ảnh, nền tảng tính toán, giấy phép thuật toán hoặc dịch vụ phát triển, và triển khai tích hợp. Phần cứng và tính toán là đầu tư một lần, còn thuật toán và tích hợp thường được tính theo dự án hoặc theo trạm. Nhà máy lô nhỏ nhiều chủng loại phải tính riêng chi phí chuyển đổi, không chỉ đơn giá.

5. Quy trình nào phù hợp giải pháp này và bối cảnh nào không

Bối cảnh phù hợp: quy trình có loại bo mạch tương đối ổn định, loại khuyết tật có thể liệt kê, yêu cầu nhịp rõ ràng và đầu vào đồng nhất tốt, như AOI sau SMT, kiểm tra ngoại quan sau hàn và kiểm chứng ký tự in lụa. Mẫu dễ tích lũy trong bối cảnh như vậy, mô hình hội tụ nhanh và lợi tức đầu tư rõ ràng.

Bối cảnh cần đánh giá cẩn thận: bề mặt phản xạ mạnh, FPC biến dạng nhiều, và giai đoạn đưa sản phẩm mới khi mẫu khuyết tật cực khó lấy. Những trường hợp này không phải bất khả thi nhưng cần kiểm chứng chiếu sáng thêm, thiết kế bù trừ giãn nở, hoặc một giai đoạn chuyển tiếp dùng thuật toán luật cộng phán đoán lại thủ công.

Bối cảnh không nên áp dụng trực tiếp: quy trình mà bản thân định nghĩa khuyết tật chưa thống nhất và tham số quy trình thay đổi hằng ngày. Mô hình học quy luật trong dữ liệu, và nếu tiêu chuẩn chưa chốt thì kết quả kiểm tra không dùng được. Cũng vậy, ở bối cảnh lô một chiếc và gần như không lặp lại loại bo mạch, chi phí huấn luyện mô hình không thể phân bổ, nên sàng lọc có hỗ trợ thủ công trước khi nghĩ tới phán đoán tự động hoàn toàn.

Nhìn vào thực tiễn ngành qua hàng chục năm từ thời kỳ ERP, phục vụ 1,2 triệu khách hàng và triển khai hàng chục triệu thiết bị đầu cuối, việc làm kiểm tra PCB trở nên thông minh không phải chuyện mua một cái máy mà là thay đổi đồng thời chụp ảnh, thuật toán, liên kết dữ liệu và quy trình hiện trường. Hãy định nghĩa rõ tiêu chuẩn khuyết tật trước, rồi mới bàn tới mô hình; đảo ngược thứ tự thường làm mất tiền.

Chủ đề: Bách khoa nhận dạng hình ảnh bằng AI