نظارت خودکار نوری بردهای مدار چاپی

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشکده مهندسی برق و کامپیوتر - دانشگاه تبریز - تبریز - ایران

چکیده

امروزه استفاده از دستگاه‌های نظارت نوری خودکار در تولید بردهای مدار چاپی برای کنترل کردن لحیم‌کاری‌ها، وجود المان‌ها مقدار صحیح و جهت آن‌ها به یک ابزار ضروری برای شرکت‌های الکترونیکی تبدیل شده است. برد مدار چاپی در این دستگاه توسط چندین منبع نوری پرتوافکنی می‌شود و یک یا چند دوربین با مشخصات بالا برای تصویر‌برداری استفاده می‌شود. دستگاه نظارت نوری خودکار، با استفاده از تصویر ثبت‌شده و مقایسه اطلاعات تصویر با اطلاعات ماشین، هر نوع خطا (نقص) یا نواحی مشکوک را شناسایی و مشخص می‌کند. در این مقاله با استفاده از یک دوربین نصب شده بالای یک نوار نقاله سعی شده است اغلب خطاهای رایج که بر روی بردهای مدار چاپی در هر مرحله از خط تولید اتفاق می‌افتد پوشش داده شود. برای کنترل مسیر حرکت دوربین روی نوار نقاله از الگوریتم فروشنده دوره‌گرد استفاده ‌شده است. برای معرفی برد مدار چاپی به دستگاه، یک نرم‌افزار طراحی شده است که به کمک یک فایل CAD مکان و نوع المان‌ها را بر روی برد بدست می‌آورد و با انتخاب مسیر بهینه حرکت دوربین، خطاهای ناشی از عدم وجود المان‌ها، جهت المان‌ها، عدم لحیم‌کاری، لحیم‌کاری سرد، لحیم‌کاری اضافی و غیره را در سه مرحله استخراج ویژگی، انتخاب ویژگی و تصمیم‌گیری تشخیص می‌دهد. نتایج نشان می‌دهد که دستگاه در تشخیص خطای چسب قبل از نصب المان‌ها و تشخیص خطاهای بعد از حمام قلع کارآمد است

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Automatic optical inspection of printed circuit boards

نویسندگان [English]

  • Arash Aravand
  • Ghader Karimian
  • Jafar Sobhi
Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz, Iran
چکیده [English]

Today, the use of automated optical inspection systems in the production of printed circuit boards to control solders, the presence of the right elements and their direction has become an essential tool for electronic companies. The printed circuit board in this system is irradiated by several light sources and one or more high-definition cameras are used for imaging. Automated optical inspection system, using the recorded image and comparing the image information with the machine information, detects and specifies any type of error (defect) or suspicious areas. In this paper, using a camera mounted on a conveyor, we try to cover most of the common errors that occur on printed circuit boards at any stage of the production line. The traveling salesman algorithm is used to control the movement of the camera on the conveyor. To introduce the printed circuit board to the system, a software has been designed that uses a CAD file to obtain the location and type of elements on the board. By selecting the optimal camera movement path, it detects errors due to the absence of elements, direction of elements, lack of soldering, cold soldering, excessive soldering, etc. in three stages of feature extraction, feature selection and decision making. The results show that the device is efficient in detecting glue error before installing the elements and detecting errors after tin bath

کلیدواژه‌ها [English]

  • automated optical inspection
  • printed circuit board
  • machine vision
  • fuzzy rule-based classification
  • LVQ and SVM classifier

مراجع

[1] Moganti, F. Ercal, C. H. Dagli, and S. Tsunekawa, “Automatic PCB inspection algorithms: A survey,” Computer Vision and Image Understanding, vol. 63, no. 2, pp. 287–313, 1996.
[2] H. Loh and M. S. Lu, “Printed circuit board inspection using image analysis,” IEEE Transactions on Industry Applications, vol. 35, no. 2, pp. 426–432, 1999.
[3] Acciani, G. Brunetti, and G. Fornarelli, “Application of neural networks in optical inspection and classification of solder joints in surface mount technology,” IEEE Transactions on Industrial Informatics, vol. 2, no. 3, pp. 200–209, 2006.
[4] C. JIANG, C. C. WANG and Y. N. HSU, “Machine vision and background remover-based approach for PCB solder joints inspection,” International Journal of Production Research, vol. 45, no. 2, pp. 451–464, 2007.
[5] Fupei and Z. Xianmin, “Feature-extraction-based inspection algorithm for IC solder joints,” IEEE Transactions on Components, Packaging and Manufacturing Technology vol. 1, no. 5, pp. 689–694, 2011.
[6] Hongwei, Z. Xianmin, K. Yongcong, and O. Gaofei, “Solder joint inspection method for chip component using improved adaboost and decision tree,” IEEE Transactions on Components, Packaging and Manufacturing Technology, vol. 1, no. 12, pp. 2018–2027, 2011.
[7] L. S. C. Fonseka and J. A. K. S. Jayasinghe, “Implementation of an automatic optical inspection system for solder quality classification of THT solder joints,” IEEE Transactions on Components, Packaging and Manufacturing Technology, vol. 9, no. 2, pp. 353–366, 2019.
[8] Zhao, P. Zheng, S. tao Xu, and X. Wu, “Object detection with deep Learning: a review,” IEEE Transactions on Neural Networks and Learning Systems, vol. 30, no. 11, pp. 3212-3232, 2019.
[9] Ding, L. Dai, G. Li, and H. Liu, “TDD-net: A tiny defect detection network for printed circuit boards,” CAAI Transactions on Intelligence Technology, vol. 4, no. 2, pp. 110–116, 2019.
[10] Hu AND J. Wang, “Detection of PCB Surface Defects with Improved Faster-RCNN and Feature Pyramid Network,” IEEE Access, vol. 8, pp. 108335-108345, 2020.
[11] Yu-Ting Li, Paul Kuo, and Jiun-In Guo, “Automatic Industry PCB Board DIP Process Defect Detection System Based on Deep Ensemble Self-Adaption Method,” IEEE Transactions on Components, Packaging and Manufacturing Technology publication information, vOL. 11, nO. 2, 2021.
[12] Demuth and M. Beale, Neural Network Toolbox user’s guide, Mathworks Inc., 2004.
[13] MathWorks: https://www.mathworks.com/help/stats/fitcsvm.html, 2014.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار