Jak wybrać system AOI (cz.1)

Aby uniknąć niekończącej się, szczegółowej listy wszystkich dostępnych narzędzi oprogramowania inspekcji AOI, skupimy się na najważniejszym podziale na dwie kategorie systemów: AOI oparte na analizie obrazów (image based AOI) oraz AOI oparte na algorytmach (algorithm based AOI). 

AOI oparte na analizie obrazu 

AOI oparte na analizie obrazu (ten typ maszyn określany jest również jako AOI oparte o porównanie obrazów) korzystają z surowych informacji lub z siatki pikseli, nałożonej na obraz. Wczesne systemy używały techniki ‘skali szarości’ do porównania pikseli w analizowanym obszarze.

Rysunek 1: Obraz komponentu w systemie opartym na porównywaniu obrazów.

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

Na powyższej ilustracji widzimy ten sam komponent, w tym samym analizowanym obszarze, ustawiony pod nieco innym kątem. Przy zastosowaniu porównania piksel po pikselu w skali szarości, drugi obraz powinien być zaklasyfikowany jako defekt ze względu na brak informacji o obecności komponentu w przypadku niektórych pikseli. Jak widać, ta metodologia ma bardzo małą dokładność, zwłaszcza gdy komponent jest przekrzywiony.

Dzięki nowym metodom przetwarzania obrazu oraz zwiększonym możliwościom obliczeniowym, technologie oparte na analizie obrazów uległy poprawie. Większość systemów wykorzystuje obecnie pewną bibliotekę obrazów, co pozwala oprogramowaniu odwoływać się znanych obrazów poprawnie ułożonego komponentu, czy przyrównać przechwycony obraz do obrazu wadliwie położonego komponentu i na tej podstawie i wyróżnić wadliwe komponenty. Wyniki testów zależą więc od jakości bazy danych obrazów, stworzonej na bazie zmontowanego PCB.

Technologie oparte na analizie obrazu kwalifikują każdy komponent na bazie porównania go z bazą zdjęć poprawnie i niepoprawnie położonych elementów. Z kolei wachlarz technik porównywania obejmuje od najprostszych algorytmów do sieci neuronowych, lecz kluczowa zasada zawsze zostaje ta sama: AOI zadaje sobie pytanie, czy analizowany komponent wygląda jak ten z mojej bazy danych?

Po dokonaniu pierwszego takiego porównania, maszyna odpowie sobie: ‘Tak, to wygląda jak dobry komponent’ lub ‘Nie, muszę to porównać do następnego obrazka’. Porównania trwają dopóki odpowiedni obrazek nie zostanie znaleziony lub komponent zostanie ostatecznie uznany za wadliwy.

Ze względu na dużą zmienność procesu, systemy oparte na analizie obrazu dokonują porównań na podstawie dużej i stale rosnącej bazie danych, co ma negatywny wpływ na szybkość procesu. Niektóre z tych systemów rekompensują wydłużony cykl pracy przez tworzenie statystycznych modeli zmienności układów oraz wysoką prędkość przechwytywania obrazów. W tej metodzie, ogromny bank danych jest upraszczany poprzez obliczenie dla każdego piksela średniego i standardowego odchylenia i na tej podstawie dokonuje się porównania z faktycznie przechwyconym obrazem. Jednak niesie to za sobą pewną pułapkę: AOI przechwytuje wciąż i wciąż nowe obrazy, z nowymi odchyleniami, dodaje do bazy danych a ‘uśredniony’ obraz robi się coraz bardziej zagmatwany, prowadząc nawet do sytuacji, której system w istocie nie jest już w stanie właściwie zadecydować, czy komponent jest położony właściwie, czy nie.