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

Jedynym etapem procesu automatycznej inspekcji optycznej gdzie pojawia się ‘czynnik ludzki’ jest proces programowania. Etap ten odkrywa przed użytkownikiem pełną gamę możliwości sprzętu i wymaga jednak od operatora uczenia się technik wyszukiwania defektów. I również to na tym etapie dwie zasadnicze kategorie systemów AOI - oparte na analizie obrazów i oparte na algorytmie – różnią się diametralnie. 

Czas programowania AOI opartego na analizie obrazu

AOI oparte na analizie obrazu najpierw pozyskuje bank obrazów, a samo programowanie wydaje się być od samego początku, kiedy pierwsze płytki są analizowane przez maszynę, bardzo płynne. Ale trzeba też zawsze stawiać sobie pytanie, jak w istocie przebiega ten proces w miarę upływu czasu? Przechwytując obrazy z kilku pierwszych płytek, maszyna uczy się tylko na podstawie próbki badanej partii. Kiedy te same PCB są sprawdzane po raz drugi czy trzeci, program wydaje się być stabilny i gotowy do pracy w masowej produkcji. Ten proces uczenia się jest powtarzany w przypadku innych PCB o różnych topologiach, a dodatkowe programy są tworzone przy użyciu metody próbkowania. Do kogoś niedoświadczonego w pracy z AOI, system ten i jego programowanie wydaje się niesamowicie szybkie i skuteczne. Podczas opracowywania programów dla różnych układów, czas programowania wydaje się być po prostu iloczynem ilości podstawowego czasu programowania oraz ilości projektów. 

Czas programowania AOI opartych na algorytmie

Programowanie AOI działającego w oparciu o algorytm znacznie różni się od programowania systemów opartych o porównywanie obrazów (choć trzeba zaznaczyć, iż program oparty na algorytmie może już powstawać zawczasu, podczas gdy PCB jest jeszcze na etapie projektowania). Na podstawie na danych matematycznych i geometrycznych dla każdego komponentu i samej PCB, na której zostanie umieszczony komponent, maszyna aplikuje zbiór tych algorytmów do wdrożenia testu kiedy zaczyna się faktyczny montaż. Informacje o kształcie poszczególnych komponentów znajdują się we wspólnej bibliotece systemu, która jest połączona z bieżącymi programami, a zbiór wspólnych danych jest dostrajany do konkretnego przypadku, tak aby uwzględnić w niezbędnym zakresie pewną nieuniknioną zmienność procesu. 

Ten proces dostrojenia jest często postrzegany jako bardziej czasochłonny niż zebranie obrazów i zastosowanie ich do oprogramowania opartego na porównywaniu obrazów, jednak trzeba zauważyć, iż podczas programowania kolejnych produktów, używa się tej samej, wcześniej stworzonej biblioteki, a tym samym ‘odzyskuje’ się część czasu poświęconego na dostrajanie programu.

Porównując czas programowania od pierwszego do ostatniego produktu w czasie użytkowania AOI w firmie, w przypadku AOI opartego na analizie obrazu pozostaje on stały, natomiast w przypadku AOI opartego na algorytmie znacznie się zmniejsza.

Współczynniki fałszywych alarmów i błędnych akceptacji

Jak wspomniano na wstępie, systemy AOI oparte na analizie obrazu wydają się być szybkie w programowaniu i wykazują doskonałe wyniki przy krótkich seriach produkcyjnych, podczas gdy maszyny oparte na algorytmie wymagają więcej czasu na programowanie. Jednak już w sytuacji, kiedy produkcja wzrośnie z kilku sztuk do choćby 30 lub 40 płytek, warto porównać te systemy dalej.

Fałszywe alarmy i błędne akceptacje są najbardziej krytycznymi zmiennymi przy rozważaniu maszyn AOI - wychwycenie defektu jest podstawową funkcją każdego AOI. Systemy oparte na analizie obrazów, które aby odróżnić wadliwe komponenty od dobrych wykorzystują swój bank obrazów, muszą szybko zwiększać ilość obrazów w banku, aby uwzględnić zmienność procesu. Jednocześnie system oparty na analizie obrazu jest bardzo zależny od zwyczajów operatora, który przechwytuje te obrazy i zasila bazę danych. Ocena każdego oznaczonego elementu (fałszywe wezwanie lub rzeczywista wada) przez tę konkretną osobę jest kluczem do rozbudowy bazy danych obrazów, a każdy błąd w tym zakresie prowadzi do zagmatwania całego systemu. Innymi słowy, gdy operator klasyfikuje obraz, aby użyć go jako pliku odniesienia, błędnie mógłby określić wadliwy element jako dobry i odwrotnie. Aby system AOI mógł być skuteczny w długim terminie, AOI musi eliminować błąd operatora i dokładnie segregować wadliwe komponenty od dobrych.