Электроника, Телеком, Приборостроение

ИИ-контроль качества печатных плат

Система машинного зрения автоматически проверяет печатные платы, сравнивает их с эталоном и выявляет дефекты до 25 мкм, переводя контроль из ручного режима в быстрый и воспроизводимый цифровой контур.

pcb-quality-control-ai-1.png
pcb-quality-control-ai-2.png
pcb-quality-control-ai-1.png
NDA
ЗаказчикКрупная технологическая компания с высокими требованиями к качеству входного контроля компонентов и печатных плат.
ЗадачаСоздать программно-аппаратный комплекс для автоматизированного контроля печатных плат, который выявляет дефекты до 25 мкм, сравнивает результат с эталоном, сокращает время проверки с 10–15 до 3–5 минут.

О проекте

Заказчик планировал заменить ручной входной контроль плат под микроскопом на автоматизированный контур с предсказуемым качеством и скоростью проверки. Для этого мы спроектировали систему машинного зрения, которая получает изображение платы в контролируемых условиях, сравнивает его с эталоном и выявляет дефекты размером до 25 мкм. 

 

Решение формирует структурированный отчет по каждому отклонению и сокращает время анализа одной платы, в итоге контроль становится воспроизводимым, масштабируемым и пригодным для проверки всего входящего потока без роста нагрузки на персонал.

NDA
ЗаказчикКрупная технологическая компания с высокими требованиями к качеству входного контроля компонентов и печатных плат.
ЗадачаСоздать программно-аппаратный комплекс для автоматизированного контроля печатных плат, который выявляет дефекты до 25 мкм, сравнивает результат с эталоном, сокращает время проверки с 10–15 до 3–5 минут.

25 мкм

минимальный размер обнаруживаемого дефекта на плате
1
Формализация требований и архитектуры
Определяем каталог дефектов, целевые метрики, требования к оборудованию, форматы данных и логику работы программно-аппаратного комплекса.
2
Проработка контура получения изображения
Тестируем варианты съемки, фиксируем параметры оптики, освещения и механики и собираем пилотный датасет в целевых условиях контроля
3
Разработка CV-пайплайна контроля
Строим алгоритмический контур поиска дефектов, сравнения с эталоном и анализа микродефектов с оценкой достижимой точности на пилотных данных
4
Разработка прикладного ПО и отчетного контура
Реализуем интерфейс оператора, серверную часть, хранение истории проверок и формирование структурированных отчетов по результатам контроля
5
Интеграция, калибровка и промышленный запуск
Расширяем датасет, калибруем систему под рабочие условия, интегрируем ее с оборудованием заказчика и вводим в эксплуатацию на реальном потоке плат

Интересный факт

Проект относится к классу микро-AOI: для контроля дефектов до 25 мкм потребовались промышленная оптика, управляемое освещение и точная механика сканирования.

Технологический стек

Frontend

Интерфейс пользователя: отчеты, графики, панели управления

Backend

Логика обработки и базовые компоненты системы

ML

Модели и фреймворки для обучения

Вызовы и решения

Микродефекты на больших платах

При целевом пороге до 25 мкм обычная съемка не дает нужной детализации и повторяемости на платах разного формата
РЕШЕНИЕ

Контур микро-AOI

Архитектуру проекта заложили как микро-AOI с промышленной оптикой, контролируемым освещением и точной механикой сканирования

Редкие дефекты и ограниченный датасет

Для части типов брака нет достаточной статистики, поэтому классическое обучение только на дефектных примерах повышает риск пропусков
РЕШЕНИЕ

Гибридный пайплайн контроля

В основу заложили комбинацию сравнения с эталоном, поиска аномалий на «норме» и последующего дообучения на подтвержденных дефектах

Свет и геометрия напрямую влияют на ложные срабатывания

Даже небольшие отклонения по освещению, бликам, фокусу и положению платы ухудшают стабильность контроля
РЕШЕНИЕ

Контролируемая среда съемки

В проекте предусмотрены изолированный световой контур, калибровка изображения, нормализация освещения и точная привязка платы к эталону

до 5 минут

время на анализ одной платы

≥ 80%

точности - целевой уровень детекции дефектов

до 3 недель

добавление новой номенклатуры

Команда, которая внедрила проект

Константин Порошкин
ML-инженер
Дмитрий Соркин
DevOps-инженер
Марк Яговкин
Руководитель разметки данных
Михаил Моисеев
CV-инженер
Дмитрий Долгин
Tech Lead
Андрей Панкратов
Python backend-разработчик
Дмитрий Палий
Frontend-разработчик
Даниил Фомин
Системный аналитик

Бесплатный разбор вашей задачи

На экспертной встрече разберем, какие сценарии внедрения ИИ для вашего бизнеса перспективны и возможны на вашем действующем оборудовании. Подготовим экономическое обоснование внедрения ИИ.

Рассмотрим технические ограничения и возможный первый этап проекта.

О вашей задаче (по желанию)

Готовые проекты

Наша команда с 2017 года успешно реализовала 60 проектов с искусственным интеллектом. Тут собраны наши лучшие работы, про которые мы можем рассказать, про некоторые совсем немного, а некоторые мы вообще не можем тут упомянуть из-за NDA. Но готовы применять опыт в разработке нейросетей для ваших задач.

bracket
Разработка крупной системы
Нейросеть для определения возраста: аналитика и безопасность в одном решении
age.webp
ИИ для образования
Распознавание рукописного текста на экзаменационных бланках с помощью нейросети
ocr-documents-case.png
Разработка крупной системы
ИИ-система для оценки повреждений автомобилей
damage-detection-case.png
Пилотный запуск
Интеллектуальная видеоаналитика для контроля периметра, выявления угроз на интроскопах и БПЛА
ai-video-security-industrial-sites.jpg
Видеоаналитика для ресторанов
ИИ-контроль времени сборки заказов
ai-tray-order-analysis-fast-food.jpg
AI-Mirror
ИИ-интерактив для бренд-зоны
ai-interactive-exhibition-stand.jpg