Jak wybrać system AOI (cz.2): czas programowania versus FAR i FCR

Jeśli wykreślimy kryteria dobrych i wadliwych komponentów za pomocą dwóch krzywych Gaussa, bardziej szczegółowa i wydajna metodologia AOI oparta na algorytmie pokazuje wyraźny rozdział pomiędzy krzywymi, reprezentującymi poprawne i wadliwe komponenty (patrz wykresy poniżej). Używając AOI opartego na analizie obrazu, opartym na szerokim banku danych, ryzyko wystąpienia niejasnych kryteriów jest znacznie większe, ponieważ obrazy dobrych i wadliwych komponentów często wydają się operatorowi bardzo podobne. Co więcej, gdy operator tworzy bazę danych, każda błędna ocena doprowadzi do powiększania się ‘zamieszania’, a obie krzywe Gaussa stają się bliższe i nakładają się na siebie.

© Vi Technology. 'What is really inside your AOI?' Autorzy Jean-Marc Peallat, Russ Warncke, Russell Claybrook, Marc Brun

W przypadku AOI opartego na algorytmie, kryteria są ustalone za pomocą wielkości geometrycznych i progów, dając wyraźny podział między dobrymi i wadliwymi komponentami, niezależnie od zmiany procesu. Zapewnia to stabilny i niezawodny proces kontroli przez cały okres eksploatacji produktu.

Aby AOI oparte na porównaniu obrazów zachowało swoją imponującą wydajność, jaką osiąga na kilku płytach (<50), w miarę pojawiania się zmian w procesie, podstawa systemu w postaci bazy obrazów też musi rosnąć wraz z coraz większą liczbą przechwyconych różnych obrazów. Zaciera to kryteria oceny ze względu na czynnik ludzki i prowadzi do słabych wyników przy dłuższych seriach produkcyjnych, generując wysokie współczynniki fałszywych wywołań i błędnych akceptacji. Z drugiej strony AOI oparte na algorytmach, którego oprogramowanie oparte jest na ‘twardych danych’, oferuje bardzo stabilne i niezawodne rozwiązanie długoterminowe.

Artykuł stanowi tłumaczenie części opracowania © Vi Technology. 'What is really inside your AOI?' Autorzy Jean-Marc Peallat, Russ Warncke, Russell Claybrook, Marc Brun