2023年12月/ 2024年1月 SbSTM 49
Tech Feature 技 术 特 写
寸各异的新组件,通常需要重新编程检验系统。AI 通过
使检验系统能够在不需要重新编程的情况下快速对新组件
进行培训来解决这一挑战。另一个 AI 检查应用是检测异
物。
AI 的适应性使得 AOI 系统能够处理各种组件类型、
颜色和电路板材料,无需重新编程。通过对包含预期变化
的代表性图像进行训练,AI 算法识别可接受的过程差异
与真正的缺陷之间的差异。这种灵活性在高混合生产环境
中尤为有价值,其中产品变化频繁。
光学检查后的修复站正在通过 AI 变得更加智能 ;这
些站点现在利用 AI 的潜力做出人类决策,减少了手动复
检的需要,降低了运营成本,同时提供实时检查状态数据
分析。制造商和检验供应商需要了解 AI 在修复站中对组
件缺陷检测的准确率,以正确配置该功能的类型。检验供
应商现在提供一种新的产品,这就是 AI 服务器,用于训
练模型以优化当前的模型或针对特定应用、组件和其他检
查条件创建新模型。这些 AI 客户端服务器模型解决方案
与生产线上的 AOI 集成,全天候运行,收集大量数据并
训练模型,然后部署到其他 AI 解决方案。
III. AI在检验中的展望
AI 在检验中的未来标志着从传统缺陷检测到以过程
为中心的转变。几个关键展望定义了 SMT 光学检查领域
AI 的轨迹,引领着效率、适应性和全面的质量控制的新
时代,特别是为 SMT 行业量身定制的。
• 认知自动化
AI 在光学检查系统中的演进为更智能的检查系统铺
平了道路,这些系统独立运作,跨运营班次和产品变化需
要最少的人工干预。AI 动态学习和适应
各种视觉条件的能力使得光学检查系统
成为智能协作者,有助于提高精度并减
少在识别缺陷方面对手动干预的依赖。
• 跨模态学习
跨模态学习是指从不同来源检索或
考虑信息。跨模态学习允许 AI 模型集成
来自多个检查(如 SPI 和 AOI)的数据,
以全面了解制造过程。
• 现场培训
AI 模型的现场培训将成为制造设施
的标准,因为存在数据安全问题。制造
商还将受益于与精确符合检查需求的定
制 AI 模型合作,促进了无缝集成。
• 虚拟模拟
AI 模型将越来越多地在模拟的 PCB 图像上进行训练,
最小化对实际板进行学习缺陷检测的依赖性。虚拟模拟环
境提供了一个安全而受控的空间,使 AI 模型能够学习和
适应,加速检查能力的创新速度。
这些变革性的展望强调了 AI 在检验中的作用不仅限
于缺陷检测,而是成为智能制造的一部分。随着 AI 与生
产过程无缝集成,它提供了适应性和优化能力,对于在不
断发展的电子制造领域取得成功至关重要。战略地采用
AI 的制造商将自己置于该行业持续成功的位置上。
IV. 电子制造中人工智能采用的挑战
虽然电子制造业中采用 AI 的好处显著,但挑战包括
数据安全性、AI 专业人才短缺、集成复杂性、算法不透明、
过程中断和成本限制。
• 确保网络安全
确保在制造现场使用的 AI 培训模型的网络安全也是
一个挑战。建议制造商在产品所有者的网络安全下在制造
场所进行检验模型的培训。这是为了防止泄露机密信息,
可能违反保密协议或暴露任何商业秘密。AOI 供应商已经
提供 AI 培训服务器的服务,可以购买或租赁,培训也可
以在云上进行。
• 人才短缺
在开发和维持 AI 检验解决方案所需的 AI 和数据科
学技能方面,电子制造业面临着严重的人才短缺。大多数
制造商在内部缺乏这些专业能力。与知识渊博的系统集成
商合作或建立内部团队至关重要。
图 3 :X- 射线搭配 AI 进行孔洞检测。
下转第55页