?

關(guān)于虹科智能感知

?

虹科智能感知事業(yè)部專注于智能感知與機器視覺領(lǐng)域，已經(jīng)和IDS，Blickfeld和Gidel等有著重要地位的國際公司展開深度的技術(shù)合作。我們的解決方案包括3D激光雷達，工業(yè)相機，視覺處理平臺，圖像采集卡及視覺系統(tǒng)集成等。虹科的工程師積極參與國內(nèi)外專業(yè)協(xié)會和聯(lián)盟的活動，我們非常重視技術(shù)培訓(xùn)和積累，公司定期與國內(nèi)外專家團隊進行交流和培訓(xùn)。

?

?

質(zhì)量問題和錯誤時有發(fā)生，尤其是在涉及PCB和電子產(chǎn)品制造的復(fù)雜人為操作任務(wù)中。通常情況下，企業(yè)可能會配備自動光學(xué)檢測（AOI）等系統(tǒng)，這些系統(tǒng)通常用于制造過程中“中間”階段的檢測。盡管AOI系統(tǒng)為質(zhì)量控制創(chuàng)造價值，但它仍然使流程的前端和后端容易出現(xiàn)錯誤。

質(zhì)量問題不僅可能使抱怨的客戶損失巨額資金或提出更多索賠，而且還可能對您的品牌和作為供應(yīng)商的聲譽造成損害。為了避免代價高昂的人為錯誤，一些實用提示可以應(yīng)用于流程，從端到端保護您的品牌和質(zhì)量生產(chǎn)。

1

使用AI執(zhí)行“入廠”檢測

入廠質(zhì)量控制是質(zhì)量問題的第一道防線。對于PCB組裝車間來說，一個良好的開端是評估所接收PCB的質(zhì)量，并確保在組裝前準備好正確的部件。對于電子制造業(yè)來說，首要任務(wù)是確保在開始制造產(chǎn)品之前收到正確的部件。

在該第一個階段，通常采用目視檢測，檢查任何前期的質(zhì)量問題。這個過程理論上聽起來很簡單，但是，操作人員需要管理多個復(fù)雜產(chǎn)品，區(qū)分“良”和“不良”的部件可能是一個挑戰(zhàn)。

為了解決該問題，推薦的做法是保留一塊印刷電路板或零件的參考“黃金”圖像，并在開始生產(chǎn)前用它來確保正確的組件到位。人工智能的最新技術(shù)在視覺檢測方面可以提供幫助，允許用戶訓(xùn)練一個系統(tǒng)來自動檢測所接收的零件和電路板，以表明這些產(chǎn)品是否與即將開始生產(chǎn)的產(chǎn)品正確關(guān)聯(lián)。

2

創(chuàng)建存儲首件檢驗“黃金”參考圖像的系統(tǒng)

始終檢驗首件。在為全面生產(chǎn)開綠燈前，應(yīng)對正在生產(chǎn)的第一塊電路板或部件進行審查。首件檢驗（FAI）可能是一個漫長的過程，為了驗證電路板的生產(chǎn)是否符合客戶提供的規(guī)格，然而，在這個環(huán)節(jié)進行適當?shù)臋z驗是避免在整批生產(chǎn)中出現(xiàn)代價高昂的質(zhì)量錯誤的關(guān)鍵。FAI應(yīng)該根據(jù)產(chǎn)品的歷史復(fù)雜情況來確定潛在的問題，并通過與以前生產(chǎn)的樣品進行比較來指出任何偏差。

在該階段，質(zhì)量誤差的主要風(fēng)險存在于人類操作的視覺檢測中。眾所周知，當人類面臨疲勞、多任務(wù)和決策時，我們易于出錯。為了促進FAI過程，制造商可以增加先進的AI功能來幫助人類作出決策，通過使用AI來比較存儲的“黃金”參考圖像和FAI，自動隔離任何差異，從而提高質(zhì)量控制。

3

抽樣納入到AOI的檢測流程中

雖然AOI系統(tǒng)非常適合在線檢測，但為了幫助提高對不同類型缺陷的檢測覆蓋率，包括那些無法通過AOI檢測的缺陷，例如通孔部件、膠水或密封缺陷，將產(chǎn)品抽樣檢測策略與AOI過程相結(jié)合將非常有益。

獨立的視覺檢測系統(tǒng)可以作為輔助檢測，幫助補充AOI過程，識別缺陷，例如缺少或錯誤的組件或螺絲，以及反極性和顏色的問題。

4

不要跳過最終檢測

當然，AOI系統(tǒng)具有寶貴作用，但在AOI系統(tǒng)檢測之后，在最終包裝和運輸之前，出錯的風(fēng)險是什么？如果流程包括焊接、手工作業(yè)和現(xiàn)場運輸，質(zhì)量控制仍然容易出現(xiàn)損壞、缺陷和斷線成本。

AOI系統(tǒng)會制造一種虛假的安全感。雖然通過AOI可以實現(xiàn)90%的質(zhì)量控制，但出錯的可能性仍有10% — 尤其是在涉及某種程度的手工作業(yè)時。工人會盡其所能地遵循指令，但人與人之間的技能差異和溝通解釋可能會導(dǎo)致生產(chǎn)過程中出現(xiàn)錯誤。這也可能是一個令人擔憂的問題，剛?cè)肼毜牟僮鲉T需要入職指導(dǎo)、時間和經(jīng)驗，才能以與同事一樣的速度和效率進行檢測。

為了確保最終檢測階段的最佳實踐，探討諸如重復(fù)出現(xiàn)的問題、對一致性的要求，以及在可能的情況下實施基于攝像頭的檢測和人工智能支持，以達到最佳的客觀效果。

5

保存記錄以持續(xù)改進

有了適當?shù)目刂?、檢查和設(shè)備，仍有機會出現(xiàn)質(zhì)量錯誤，不合格品仍然會到達客戶手中。通常情況下，當產(chǎn)品在運輸過程中受損，或一旦到達客戶現(xiàn)場，就會發(fā)生這種情況。制造商如何提高可追溯性，并追溯到流程中可能出錯的地方？

就像對進貨進行盤點一樣，對每件已發(fā)運的產(chǎn)品進行記錄同樣重要。也許實施一個序列化過程，因為每個 產(chǎn)品都有一個獨特的條形碼和保存的出庫圖像。

好處有哪些？下一次當客戶打電話提出質(zhì)量索賠或問題時，就有文件表明產(chǎn)品在離廠前的狀態(tài)，對質(zhì)量過程中的錯誤提供寶貴見解。

當評估需要改進的領(lǐng)域時，請記住，在制造或裝配設(shè)施關(guān)鍵點上的自動化和視覺檢測系統(tǒng)可以減少質(zhì)量控制方面的風(fēng)險，并有助于保持領(lǐng)先供應(yīng)商的品牌完整性。確保使用AI支持的人工檢測決策來避免操作員出現(xiàn)疲勞和相關(guān)錯誤。

虹

科

產(chǎn)

品

虹科-AI網(wǎng)關(guān)

關(guān)鍵特點：

與現(xiàn)有的檢測硬件、軟件和終端用戶流程配合

支持的GigEVision、USB3 Vision、CameraLink或MIPI等多種接口協(xié)議

強大的NVIDIA GPU可以部署開源或自定義算法，包括預(yù)先訓(xùn)練好的TensorFlow深度學(xué)習(xí)模型和使用OpenCV等開源庫開發(fā)的Python plug-ins