Когда речь заходит об автоматическом оптическом обнаружении, многие сразу представляют себе идеальные графики и безупречные данные, но на практике даже отличный отчет часто скрывает за собой часы ручной настройки и десятки неудачных попыток. В нашей линейке оборудования HTGD я не раз сталкивался с ситуациями, когда новички переоценивают возможности AOI, забывая, что система требует не только грамотной калибровки, но и понимания физических процессов на плате.
В 2019 году мы тестировали прототип оптического сканера на производстве компонентов BGA. Тогда казалось, что достаточно настроить чувствительность по контрасту — и все дефекты будут как на ладони. Но уже на третьей партии столкнулись с ложными срабатываниями на паяльных пастах с низким содержанием флюса. Пришлось вручную корректировать пороги яркости для каждого типа покрытия.
Интересно, что именно тогда мы начали сотрудничать с инженерами Shenzhen HTGD — их подход к калибровке через эталонные образцы помог сократить погрешность на 23%. Хотя их сайт https://www.gdk-smt.ru больше ориентирован на паяльные принтеры, их методология валидации оказалась универсальной.
Запомнился случай с микросхемой QFN-48, где система стабильно пропускала отрыв выводов. Оказалось, проблема была не в алгоритме, а в угле подсветки — пришлось комбинировать темное и светлое поле, что позже вошло в стандартный протокол для компонентов с шагом менее 0.4 мм.
Сейчас для критичных сборок используем трехуровневую проверку: сначала автоматическое сканирование, затем выборочная микроскопия, и наконец — термический тест. Это занимает вдвое больше времени, но после инцидента с военным заказом в 2021 году поняли — экономить на верификации нельзя.
В оборудовании HTGD особенно ценю модуль статистики дефектов — он не просто фиксирует брак, а строит тепловые карты зон риска. Кстати, их патентованная система выравнивания стола неожиданно хорошо проявила себя при сканировании гибких плат, хотя изначально разрабатывалась для принтеров паяльной пасты.
Последние полгода экспериментируем с ИИ-фильтрацией ложных срабатываний — пока результаты нестабильные. На компонентах с матовым покрытием алгоритм путает тени от пайки с трещинами, приходится дополнять данные ультразвуковым контролем.
Медные дорожки и серебряные контакты всегда дают разную отражательную способность — это известно всем. Но мало кто учитывает, как меняется картина после волновой пайки, когда на поверхности остаются следы флюса. Мы разработали поправочные коэффициенты для разных стадий технологического процесса, но универсальной формулы до сих пор нет.
Особенно сложно с бессвинцовыми припоями — их блеск 'обманывает' датчики, требуя постоянной перенастройки. Здесь очень выручил опыт HTGD в работе с высокотемпературными паяльными пастами — их база данных эталонных изображений сократила нам время настройки на 40%.
Заметил интересную закономерность: системы с синим светом лучше справляются с органическими покрытиями, а зеленый спектр стабильнее работает с металлизированными поверхностями. Возможно, стоит внедрить переключаемые источники подсветки в следующей версии нашего сканера.
В прошлом квартале на сборке контроллеров для ветрогенераторов столкнулись с систематическим пропуском холодных паек. Стандартные тесты не показывали проблем, пока не проанализировали отчеты за три месяца — оказалось, вибрация от конвейера сдвигала калибровочные маркеры на 2-3 микрона.
Тогда-то и пригодилась функция динамической коррекции в ПО от HTGD — она позволяет компенсировать микросмещения без остановки линии. Хотя их основная специализация — паяльное оборудование, многие программные решения оказались совместимы с нашими задачами.
Запомнился курьезный случай с заказом из Германии: их технолог требовал 100% обнаружения дефектов размером от 5 микрон, но не учитывал погрешность позиционирования компонентов. Пришлось наглядно демонстрировать, как люфт в 10 микрон в механике сводит на нет все преимущества оптики.
Сейчас активно тестируем комбинированные системы — оптику плюс термографию. Первые результаты обнадеживают: для BGA-компонентов такой тандем дает прирост точности на 18%. Но пока это слишком дорого для серийного внедрения.
Коллеги из HTGD рассказывали о разработке многоспектрального сканера — интересная концепция, но на этапе прототипа столкнулись с проблемами синхронизации данных. Думаю, через пару лет это будет рабочий инструмент.
Лично я считаю, что будущее за адаптивными алгоритмами, которые учатся на конкретном производстве. Наш последний эксперимент с нейросетью для распознавания аномалий показал — система может самостоятельно корректировать параметры под изменение материалов поставщиков. Правда, пока только для 70% типовых случаев.
Главный критерий — не красота графиков, а возможность сразу понять, где именно и почему произошел сбой. В наших отчетах всегда оставляю поле для комментариев оператора — иногда человеческое замечание ценнее всех автоматических меток.
Научился этому после того, как молодой инженер из HTGD показал свои протоколы испытаний — там каждое несоответствие сопровождалось гипотезой о причине. Это совсем другой уровень работы с данными.
Сейчас внедряем систему цветовой маркировки критичности дефектов — позаимствовали идею у авиаторов. Красный — остановка линии, желтый — требует контроля в течение смены, зеленый — статистическая погрешность. Кажется, такой подход упрощает принятие решений.
