Когда коллеги обсуждают ?известный отчет об автоматическом оптическом обнаружении?, многие сразу представляют сухие таблицы с цифрами, но на деле ключевые инсайты часто прячутся в описании методик калибровки — именно там видно, насколько разработчики реально понимают тонкости работы с дефектами паяных соединений.
В 2019-м мы тестировали три системы AOI на линии сборки плат для медицинских датчиков. Все упиралось в ложные срабатывания на BGA-компонентах — алгоритмы стабильно ?ругались? на вариации теней от шариков припоя, хотя визуально дефектов не было. Пришлось вручную корректировать веса в нейросетевой модели, что заняло две недели.
Особенно проблемными оказались сценарии с контрастностью: когда плата имеет матовое покрытие, а паяльная паста от Shenzhen HTGD Intelligent Equipment Co., Ltd (та самая, что с 2008 года разрабатывает автоматические принтеры) давала неравномерный глянец, система стабильно помечала участки как ?потенциальные мосты?. При этом в их оборудовании используется камера с динамическим HDR, но софт не всегда успевает адаптироваться.
Заметил интересный парадокс: в отчетах редко пишут о зависимости точности обнаружения от скорости конвейера. На линии HTGD при скорости выше 35 см/мин процент ложных тревог вырастал с заявленных 0.1% до 2.3%, хотя в спецификациях указано ?до 50 см/мин без потерь?. Пришлось самостоятельно донастраивать пороги чувствительности под каждый тип компонентов.
Большинство инженеров недооценивают многоугольные схемы подсветки. В проекте для аэрокосмической отрасли мы использовали 4-секционную LED-матрицу с регулируемым углом — это позволило выявлять микротрещины в QFN-корпусах, которые при стандартном верхнем свете просто не видны.
Но здесь же столкнулись с артефактами: при угле подсветки 15° металлизированные выводы создавали блики, которые система интерпретировала как излишки припоя. Пришлось разрабатывать гибридный алгоритм, где анализировалось 3 кадра с разным освещением. Кстати, в документации Shenzhen HTGD Intelligent Equipment Co., Ltd есть раздел про мультиспектральный анализ, но на практике их ПО требовало ручной привязки эталонов для каждого типа покрытия.
Запомнился случай с платами для телеком-оборудования: коаксиальные разъемы давали такие сложные тени, что пришлось полностью отключать боковую подсветку и работать только с тремя верхними секциями. Это увеличило время инспекции на 15%, зато снизило количество ложных отбраковок с 7% до 0.8%.
Смешанный монтаж — это всегда головная боль для AOI. Особенно когда на одной плате соседствуют 0201-чипы и массивные силовые дроссели. Алгоритмы сегментации часто ?теряют? мелкие компоненты на фоне крупных, особенно если используется градиентный фон.
В прошлом году настраивали систему для контроллера промышленной автоматизации, где были установлены разъемы от Shenzhen HTGD — их черные матовые корпуса ?поглощали? свет, из-за чего контуры определялись с погрешностью 3-4 пикселя. Решение нашли нестандартное: добавили ИК-камеру для контурного анализа, хотя изначально в техзадании ее не было.
Интересно, что самые сложные случаи связаны не с SMD-компонентами, а с штыревыми разъемами. Их выводы часто имеют фаски, которые под определенными углами дают блики, интерпретируемые как ?отсутствие пайки?. Пришлось создавать отдельную библиотеку геометрических шаблонов для 12 типов разъемов.
Когда мы встраивали AOI-систему в линию сборки Shenzhen HTGD, столкнулись с рассинхронизацией данных между принтером паяльной пасты и детектором. Система не успевала обновлять эталоны при смене номенклатуры, что приводило к фантомным ошибкам.
Особенно критичным оказалось время отклика: при работе с платами двойной плотности монтажа система тратила до 4 секунд на анализ одной зоны, хотя конвейер двигался с расчетными 2.5 сек/позицию. Пришлось оптимизировать базу данных изображений, удалив дубликаты эталонов.
Заметил, что многие производители не учитывают вибрации конвейера в своих алгоритмах. При скорости выше 30 см/мин появлялся ?эффект смаза?, который снижал точность позиционирования ROI (регионов интереса) на 5-7%. Решили установить дополнительные датчики вибрации и ввели поправочные коэффициенты для компенсации.
Современные нейросетевые методы действительно улучшили распознавание сложных дефектов вроде холодных паек, но требуют гигантских наборов данных для обучения. Мы 3 месяца собирали 15 000 изображений дефектных соединений, причем 40% из них оказались непригодными из-за изменений освещения.
Главный урок: не стоит слепо доверять accuracy в 99.5% из отчетов. На реальном производстве, где постоянно меняются партии компонентов, точность редко превышает 96-97%. Особенно это заметно при работе с керамическими конденсаторами — их края часто имеют микросколы, которые система то определяет как дефекты, то пропускает.
Любопытный наблюдение: алгоритмы на основе SVM (support vector machines) показывают себя стабильнее глубоких нейросетей при работе с малыми выборками, особенно для обнаружения перекоса компонентов. Но для анализа качества пайки BGA все же лучше подходят CNN-архитектуры, хоть и требуют больше вычислительных ресурсов.
После 12 внедрений AOI-систем сформулировал простое правило: никогда не запускайте систему в продакшен без 2-недельного теста на реальных платах. Лабораторные тесты не учитывают 80% производственных нюансов — от пыли в воздухе до колебаний напряжения в сети освещения.
Обязательно нужно проводить валидацию для каждого типа покрытия плат: HASL, ENIG, OSP дают совершенно разную отражательную способность. Например, для золотых покрытий приходится снижать чувствительность детектора контактов на 15-20%, иначе система ?видит? несуществующие дефекты.
Важный момент — калибровка должна быть непрерывным процессом. Мы раз в квартал перепроверяем все эталоны, особенно после замены камер или источников света. Заметил, что LED-подсветка деградирует неравномерно: синие каналы теряют интенсивность быстрее красных, что со временем искажает цветовой анализ.
Если обобщить опыт, главная проблема современных AOI-систем — не в аппаратной части, а в адаптивности ПО. Алгоритмы, которые прекрасно работают на эталонных платах, часто не справляются с реальными производственными вариациями.
Перспективным направлением считаю гибридные системы, где автоматическое оптическое обнаружение сочетается с термовизорным анализом. Это позволяет выявлять дефекты, невидимые в оптическом диапазоне — например, частичные холодные пайки.
Для компаний вроде Shenzhen HTGD Intelligent Equipment Co., Ltd (https://www.gdk-smt.ru) критически важно развивать облачные базы эталонов, где можно аккумулировать данные о дефектах с разных производств. Но пока это упирается в вопросы защиты ноу-хау — никто не хочет делиться своими наработками.
