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.



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.
25 мкм
Формализация требований и архитектуры
Определяем каталог дефектов, целевые метрики, требования к оборудованию, форматы данных и логику работы программно-аппаратного комплекса.Проработка контура получения изображения
Тестируем варианты съемки, фиксируем параметры оптики, освещения и механики и собираем пилотный датасет в целевых условиях контроляРазработка CV-пайплайна контроля
Строим алгоритмический контур поиска дефектов, сравнения с эталоном и анализа микродефектов с оценкой достижимой точности на пилотных данныхРазработка прикладного ПО и отчетного контура
Реализуем интерфейс оператора, серверную часть, хранение истории проверок и формирование структурированных отчетов по результатам контроляИнтеграция, калибровка и промышленный запуск
Расширяем датасет, калибруем систему под рабочие условия, интегрируем ее с оборудованием заказчика и вводим в эксплуатацию на реальном потоке платИнтересный факт
Технологический стек
Frontend
Интерфейс пользователя: отчеты, графики, панели управленияBackend
Логика обработки и базовые компоненты системыML
Модели и фреймворки для обученияВызовы и решения
Микродефекты на больших платах
При целевом пороге до 25 мкм обычная съемка не дает нужной детализации и повторяемости на платах разного форматаКонтур микро-AOI
Архитектуру проекта заложили как микро-AOI с промышленной оптикой, контролируемым освещением и точной механикой сканированияРедкие дефекты и ограниченный датасет
Для части типов брака нет достаточной статистики, поэтому классическое обучение только на дефектных примерах повышает риск пропусковГибридный пайплайн контроля
В основу заложили комбинацию сравнения с эталоном, поиска аномалий на «норме» и последующего дообучения на подтвержденных дефектахСвет и геометрия напрямую влияют на ложные срабатывания
Даже небольшие отклонения по освещению, бликам, фокусу и положению платы ухудшают стабильность контроляКонтролируемая среда съемки
В проекте предусмотрены изолированный световой контур, калибровка изображения, нормализация освещения и точная привязка платы к эталонудо 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.
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.











