Raport iNEMI: stan wdrażania AI na etapie AOI

W ostatnich latach modele uczenia maszynowego i sztucznej inteligencji (AI) zostały zaimplementowane w automatycznej kontroli optycznej (AOI). Zintegrowanie danych AOI z odpowiednimi rozwiązaniami analityki predykcyjnej i włączenie rozwiązań AI do procesów AOI zwiększa potencjał wykrywania awarii, z większą dokładnością i w krótszym czasie. Pomaga również zmniejszyć liczbę roboczogodzin, potrzeby ponownej inspekcji i zminimalizować procesy optymalizacji programu maszyny.

W 2022 International Electronics Manufacturing Initiative (iNEMI) przeprowadziła badanie branży elektronicznej, aby ocenić status implementacji AI do AOI w PCBA. Badanie miało na celu określenie typowych wyzwań oraz zdefiniowania przyszłych scenariuszy rozwiązań AI w celu ulepszenia procesu AOI.

Najczęściej powtarzanymi motywacjami do wdrożenia AI w AOI jest zwiększenie dokładności inspekcji, poprawa wydajności siły roboczej oraz przyspieszenie wdrażania nowych produktów. Wydaje się, że korzyści płynące ze stosowania AI dla AOI są szeroko doceniane w branży. Wyniki ankiety z jednej strony pokazują powszechne wykorzystanie AOI w produkcji elektroniki, jednak wdrażanie samej AI na etapie AOI nadal znajduje się we wczesnej fazie. Na pytanie o strategię wdrażania AI w AOI najwięcej respondentów odpowiedziało, że chciałoby to osiągnąć poprzez współpracę z zewnętrznymi dostawcami i wykorzystanie dostępnych rozwiązań na rynku, a dopiero w drugiej kolejności rozważa ewentualność zaprojektowania własnych, wewnętrznych rozwiązań. Ta druga ścieżka niewątpliwie zależy od posiadania w zespole osób o odpowiednio wysokich kwalifikacjach. 

Zdaniem iNEMI, decyzja o integracji AI i dokonywane wybory prawdopodobnie zależą od dostępnych narzędzi rozwoju AI i charakteru działalności firmy. Branża korzysta z różnych platform programistycznych, w tym najczęściej z TensorFlow, Pytorch i Matlab, a w drugiej kolejności z Caffe, Scikit Learn czy innych. Wybór platformy zależy zazwyczaj od doświadczenia użytkownika i możliwości poszczególnych narzędzi. Ponadto niektórzy dostawcy sprzętu AOI opracowali własne platformy.

Wyzwania obecnej technologii AOI

Najczęściej wymienianymi wyzwaniami obecnej technologii AOI są: wysoki wskaźnik fałszywych wywołań, czas programowania, powtarzalność, stopień upakowania komponentów i ich miniaturyzacja, komponenty o niestandardowych kształtach oraz cechy powierzchni.

Rysunek 1: Kluczowe wskaźniki brane pod uwagę do oceny maszyny AOI

Żródło: iNEMI Survey Summary Report AI Enhancement to AOI for PCB Assembly 

Wskaźnik fałszywych wywołań jest najczęściej używanym w branży kryterium do oceny wydajności AOI, po nim następuje powtarzalność i uniwersalność operacyjna (Gage Repeatability and Reproducibility, GRR), skuteczność pierwszego pomiaru (First Pass Yield, FPY), współczynnik ucieczki (tj. ilość niewykrytych defektów) czy czas trwania programowania. W ramach badania iNEMI zidentyfikowało również jakie defekty i jakie typy komponentów sprawiają najwięcej problemów na etapie AOI. W efekcie prac opracowano kilka kombinacji popularnych defektów i typów komponentów, które zostaną przebadane w kolejnych fazach prac iNEMI.

Tabela 1: Zestawienie najczęściej spotykanych defektów oraz typów komponentów

Żródło: iNEMI Survey Summary Report AI Enhancement to AOI for PCB Assembly 

Wdrażanie AI w AOI

Badanie iNEMI obejmowało również wskazanie najważniejszych obszarów, na które zdaniem respondentów należy zwrócić szczególną uwagę w procesie wdrażania AI:

• Charakterystyka produktu: złożoność produktu, poziomy layout PCB, wertykalna topologia płytki, wymagania testowe, typy stosowanych komponentów, nowe warianty;
• Posiadane sprzęt i oprogramowanie: platforma do rozwoju AI, wydajność komunikacji i możliwości przetwarzania danych, pamięć masowa, kompatybilność, integracja AI z procesem AOI;
• Model szkolenia AI: tworzenie odpowiednich modeli, zbieranie danych i obrazów w dobrej jakości i wystarczającej ilości, algorytmy AI, czas cyklu;
• Inne: standardy oceny zaliczenia/niezaliczenia, wymagana specjalistyczna wiedza, koszt, czas, aktualizacja i konserwacja, wskaźniki wydajności zarówno dla operatorów, jak i AI.

Ponadto ankieta iNEMI wskazuje na kilka innych czynników, obrazujących stan wdrożenia AI w AOI:

• AOI zwykle generuje kilka obrazów dla jednego komponentu (3D, 2D, kamera kątowa). Wyniki wskazują, że większość firm używa kombinacji obrazów 2D i 3D jako danych wejściowych do trenowania modelu AI;
• Rozwój AI oparty na lokalnych zasobach jest obecnie głównym środowiskiem trenowania AI, podczas gdy internetowa platforma do rozwoju AI w chmurze nie jest jeszcze rozpowszechniona;
• Wyniki ankiety wskazują, iż respondenci uważają dużą ilość danych wejściowych za główny czynnik decydujący o optymalnym działaniu algorytmów AI;
• Jako czynniki decydujące o szybkim i dokładnym przetwarzaniu obrazów i sygnałów zostały wskazane serwer komputerowy, prędkość sieci, format danych i protokół danych;
• Firmy stosują różne podejścia do ciągłego trenowania modelu AI w celu poprawy dokładności, preferując zamknięty system pętli nad dostosowywanie ręczne;
• Istnieje wiele opcji przesyłania danych obrazu. Obecnie większość nadal korzysta z systemów AOI i serwerów IT.

Wnioski

Zdaniem iNEMI, wdrażanie AI dla AOI w procesie montażu PCB jest wciąż na wczesnym etapie. Chociaż nasz przemysł zdobył już pewne doświadczenie, badanie to podkreśla oczywiste luki w wiedzy i zasobach, które należy wypełnić. Nie ma wielu przeszkolonych modeli AI, które obejmowałyby różne typy komponentów i defektów, a po stronie personelu potrzebni są odpowiednio wykwalifikowani specjaliści, którzy byliby w stanie skutecznie wdrożyć AI do procesów montażu płytek.

Współczynnik fałszywych wywołań, GRR, FPY, współczynnik ucieczki i czas programowania są powszechnie używane do oceny wydajności AOI. Potrzebna jest praktyczna ocena i odniesienia przemysłowe, aby użytkownicy AOI nabrali pewności siebie i lepiej przygotowali się do inwestowania w technologię AI i integrowania jej z procesami produkcyjnymi. Na podstawie danych z ankiety, iNEMI będzie kontynuował prace eksperymentalne, aby dalej badać potencjalne korzyści i poprawę wydajności, jakie AI wniosłaby do AOI w montażu płytek.

Zapraszamy na TEK.day Gdańsk, 11 września 2025. Zapisz się tutaj!