AI在SMT制造检验中的应用、进展和挑战

Roberto Yebra德律泰电子

I. 引言

近年来，电子制造业经历了深刻的变革，人工智能（AI）和机器学习迅速崛起。这些尖端技术推动了自动化，优化了质量控制，并在表面贴装技术（SMT）制造印刷电路板组装（PCBA）领域提供了宝贵的数据及信息。将AI整合到电子制造中标志着从传统方法转向更智能、适应性的方法。

AI与AOI的融合提供了一个变革性的机遇。克服挑战，SMT行业采用了在硬件、机器视觉和AI算法方面的进步推动的AI解决方案。这些发展使得机械结构更加強化，并减少了误报。在像汽车和航天这样的高可靠性需求行业，AI填补了自动化检验的不足之处，且满足生产需求的同时不断改进流程。

图1: SMT制程中的AI应用

II. AI推动检验的自动化

传统上，AOI的编程涉及工程师手动配置基于PCB CAD数据的数百个检验参数。这个复杂而繁琐的过程可能需要每个新设计8-12小时。AI编程解决方案通过在几分钟内自动生成完整的AOI程序，无需人工干预，从而改变了这一过程。

这些自动化编程工具通过分析PCB设计文件、材料清单、组件形状/大小并自动提出理想的检验条件来工作。机器视觉和深度学习算法可以快速从设计文件中提取关键信息，以推荐适合PCB的检验编程。这种自动化简化了电路板之间的切换。

图2: 晶圆内部裂痕检测

AI检验最有用的优势之一是拥有可靠的检测系统，用于常见缺陷和复杂表面零部件的外观检查。在检测SMT组件（如芯片、集成电路、连接器等）的损坏部分时，很难预测损坏部分的外观。通过基于人类学习的范例进行训练，AI可以学会如何识别缺陷。目前，诸如SMD芯片、LED、OSC、MLD、SOD、SOT23、RNET、CNET、IC和连接器等组件类型具有较高的准确率，因此建议咨询AI模型所有者以了解哪些类型可用于启用此功能，以提高验证准确性并减轻操作员的工作负担。

传统的OCV/OCR算法需要单独培训，花费很长时间和人力来配置。OCV/OCR很容易受到字体差异和缺失字符的干扰，因此误报率较高（超过10%-20%）。AI OCV/OCR构建并微调了一个优化了大多数字符准确性的字体库。AI OCV/OCR可以轻松检测低对比度字符，这对于传统方法几乎是不可能的。成像中的低对比度缺陷和噪声的存在是光学检查中的一个挑战，例如X射线检查中的空洞和光学检查中表面的胶。

图3: X-射线搭配AI进行孔洞检测

AI不仅能检测缺陷，还能智能地对其进行分类，包括类型、重要性和处理来源。这种分类允许有针对性地进行根本原因分析，减少重复发生并有助于更健壮的质量控制系统。分类的一个例子是对形状和尺寸各异的新组件，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。

图4: 特殊应用-打线检测

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。

V. AI助力智能工厂

通过对检验图像进行AI分析，预测性见解允许在缺陷发生之前识别和防止过程偏差。例如，AI可以根据来自焊膏检验的反馈动态调整模板印刷机参数，以保持最佳体积并减少缺陷。同样，AI可以根据算法从预热AOI数据预测的后流焊后调整插拔偏移。

通过集成AI和AOI数据实现的闭环控制解决方案不断保持过程处于理想的操作区域以避免偏差。这种自主缺陷预防和过程优化功能对于智能电子工厂至关重要。

AI还通过将来自多个检验点的数据组合起来，为智能工厂提供关键的诊断能力，以实现设备的预测性维护。深度学习算法可以通过识别先兆模式在机器发生故障之前很好地检测到即将发生的故障的迹象。

在长期内，将AI AOI与工艺设备深度集成可以实现生产线的自主优化。例如，AI可以通过将SPI的焊膏体积与AOI的后流焊焊点质量数据相关联来连续调整打印机参数以确定理想设置。

这种自我优化的能力将减少新产品的过程稳定时间，并最大程度地提高制造一致性。AI学会在不需要显式编程的情况下安全地进行渐进式改进。这种过程的自动化和智能是工业4.0等智能工厂倡议的核心支柱。

VI. 结论

随着电子制造业采用AI，制造商必须制定全面的战略，利用其能力并解决挑战。AI在检验和智能工厂中的变革力量承诺无与伦比的效率、适应性和质量保证，为未来由创新和自动化驱动的电子生产重塑了前景。朝着以AI为驱动的智能制造的道路已经开始，通过谨慎的实施，制造商可以成功地应对不断变化的环境。AI的影响不仅限于检验，还影响整个电子制造生态系统，业界必须适应这一技术创新以保持发展和竞争力。