人类与机器

人类擅长通过视觉、触觉、甚至嗅觉来感知差异。我们能分辨出细微的缺陷、变化或差异，并能在面对不可预测的情况时进行调整。人类也易于接受训练，我们通过学习可以适应新的产品或要求。

然而，技术带来的速度、准确性和可重复性是我们作为人类根本无法比拟的。尽管人类存在优势，但我们也受到一些限制。我们的眼睛易于受到欺骗，使我们不再可靠。试着数一下图1中的黑点。由于更高的处理速度和不断扩大的内存容量，机器视觉系统更快做出决定。可以对自动化进行编程，使其无偏差并且持续准确。

Fig.1

遗憾的是，与机器不同，我们会感到疲惫、无聊、分心，并可能做出主观的决定。因此，大多数人工检测任务通常伴随20-30%的错误率。通常，这些错误与漏掉一个缺陷、错误的装配或“假阳性”有关，即操作员识别了一个不存在的问题。

考虑到这些错误率，以及由于浪费和制造停工而导致的更高成本，以及劣质产品对品牌认知的影响，显然必须利用技术进步来帮助人工检测。

利用人工智能技术的决策支持

将自动化决策支持加入视觉检测，有助于加快检测速度，提高端到端的产品质量，并提供更多的产品定性评估，以确保制造过程的可重复性和可追溯性。由于终端市场逐渐需要更多的定制产品，对于按需生产和小批量制造，人工检测有时比自动化流程更具成本效益和适应性。

全新的视觉检测系统利用无代码算法开发和边缘处理平台的进展，使制造商更容易和更有成本效益地为在制品和成品增加 AI 决策支持。这些系统提供预装检测技能，可以轻松地根据具体要求进行定制和再培训，包括验证部件、检查标签、检查装配和数字化工作指令。

作为一个充分集成的桌面系统，操作员可以使用相机、边缘处理和显示器来获取图像并创建 AI 模型。他们无需在相机、PC 或基于云的系统之间切换；使该系统易于使用，极具成本效益，而且占地面积较小。

Fig.2

无代码优势和简单培训

对于考虑基于人工智能检测的制造商来说，最重要的障碍之一就是算法开发。有一种观念认为，要将该技术部署至制造业应用中，需要专门的技能，或昂贵的咨询服务。

没有基于代码块的平台让任何终端用户轻松地设计人工智能和计算机模型，以实现任务的自动化，如视觉检测、数字工作指令、自动计数和测量。

对于视觉检测系统，可以快速培训和部署针对诸如图像比较和图像保存的常见要求的预装技能，而无需编程语言的专业知识。只需一张好的图像（“母版”），系统就能训练出区分好坏或通过/失败的能力。更有经验的开发人员可以使用软件平台来定制预装技能，或开源机器视觉和人工智能代码，以满足独特的要求。

Fig.3

电子产品的检测

制造商将人工智能决策支持加入到流程中的最快方式之一就是图像比较。视觉检测系统将制造的产品与“黄金母版”进行比较，并在显示器上直观地显示差异和偏差。

虹科协助一家电子制造商，该制造商为位于“北部硅谷”的医疗保健、工业控制、电信、安全和数字成像公司提供广泛的服务。该公司专门为中小规模的市场提供高质量的电子组装服务。

为高价值、低产量的市场提供服务会给公司带来检测方面的挑战，因为并非所有产品都适合自动化流程。因此，一些产品主要由人类操作员进行检测。该公司对其产品质量的模范记录感到自豪，并将自动视觉检测系统视为一种为其检查员增加决策支持的方法。

自动图像比较功能用于匹配已批准的布局和电子组件的最终生产。该系统快速比较电路板上元件的位置，并在进入制造过程的下一个步骤或最终包装之前，为人工检测突出差异和偏差。

该系统也被DICA用于对来自供应商的进货元件进行质量检查。此外，制造商使用该系统来记录和保存每块印刷电路板的图像。这些数据与可追溯系统共享，用于库存和装运管理和批次跟踪，以及其他业务流程，包括缺陷的根本原因分析。

凭借其直观的、循序渐进的过程，图像比较插件只需要一张已知的、良好的图像进行培训。DICA的操作人员和质量控制人员已经训练了多个图像比较插件来检测不同的产品。操作员只需选择正确的插件与要检测的产品一起使用，视觉检测系统就会自动在视觉显示器上突出任何差异的偏差。操作员可以根据需要调整灵敏度，以检测电路板上不同级别的元件。

对于制造商来说，视觉检测系统提供了许多宝贵好处：

减少人类操作员的主观决策，尤其是在长时间轮班的情况下，系统可以确保一致性和准确性。
节省成本，因为可以在生产的不同阶段发现错误。
这个可扩展的系统可以用多条产品线的“良品”图像快速训练。操作员或质量经理无需编程技能即可培训该系统。
在任何时候增加新产品，或新员工更好地了解良品和不良品的区别时，对员工进行检测要求的培训则更快。
图像保存有助于减少时间、成本和风险，如果在现场发现潜在的错误，可以实现更好的可追溯性流程。

虹科-AI网关

关键特点：

与现有的检测硬件、软件和终端用户流程配合
支持的GigEVision、USB3 Vision、CameraLink或MIPI等多种接口协议
强大的NVIDIA GPU可以部署开源或自定义算法，包括预先训练好的- TensorFlow深度学习模型和使用OpenCV等开源库开发的Python plug-ins

AI软件平台

关键特点：
直观的、基于web的eBUS AI Studio平台允许任何用户（从非程序员到高级开发人员）设计、培训、测试和部署自己的AI和计算机视觉插件

此文转自“智能感知解决方案”微信公众号

虹科-将人工智能引入电子组装检测相关推荐

【虹科】人工智能和工业相机助力瓶盖质量控制
由于要承受巨大的价格压力而且还要满足较高的质量要求,饮料和制瓶行业正面临着许多其他行业面临的困境.法国一家塑料瓶盖生产商的质控部门也在面临同样的困境.在生产线上可靠地检测出具有40种不同 ...
【虹科案例】虹科脉冲发生器在读出电子测试中的应用
大型物理应用中的读出测试在大型物理实验中,尽管主要作用是观察物理现象的探测器,但非常高效的读出电子采集链同样重要,因为它可以收集和存储许多实时数据.读出链基于分层树结构,其中最低层位于探测器附近,它 ...
【虹科案例】虹科数字化仪在智能道路雷达检测野生动物中的应用
自学道路基础设施每两分钟,德国道路上会发生由野生动物引起的事故.为了解决这个问题,乌尔姆应用科技大学和海尔布隆应用科技大学与工业合作伙伴共同创建了" SALUS".结合雷达,光学 ...
虹科案例|便携式光谱仪用于水质检测
河流是全球众多城市和社区的重要自然资源.保持获得清洁水以及生态健康的河流和地表水对于推动区域经济.支持人类和水生物种的健康以及提供娱乐至关重要.维护河流和湖泊生态系统的可持续性需要研究人员.监管机构. ...
虹科分享 | 压力蒸汽灭菌器确认之BD测试
BD测试简介 BD测试全称为Bowie-Dick test,也称B-D试验,鲍伊-迪克试验.BD测试适用于预真空(脉动真空)压力蒸汽灭菌器,目的用于评价灭菌器的冷空气排出.饱和蒸汽穿透效果,以及是否存 ...
【虹科】处理激光雷达数据实现目标检测
激光雷达传感器获取的点云可以绘制三维环境图.这种由距离点组成的"云"提供了大量有价值的环境信息.然而,对于某些应用来说,这些信息过于复杂,无法进一步处理.例如,自动驾驶功能.交通监 ...
【虹科传感器小课堂】眨眼之见：通过气体检测进行热流量测量和校正
为什么要做这个测试? Why do this test? 量热式流量传感器通常根据特定介质进行调整,因为测量值受气体的热导率和容量的影响.因此,每种气体都需要一个专门校准的传感器.结合用于清洁气体检测 ...
专访浙大儿院副院长傅君芬：我们为什么会把人工智能引入儿童骨龄检测？
近日,浙江大学医学院附属儿童医院的放射科悄然装备上了一套人工智能软件.数秒钟内,一张儿童左手的 X 光片就被自动识别,读出骨龄.机器读取的结果和水平较高的医生相比,最大差距在3个月内. 国家卫计委最近 ...
虹科激光测距 | 用传感器对防洪闸门进行方位检测
防洪闸门的方位监测应用领域:测地学和建筑学,水利技术应用类型:方位监测及监控描述: 当洪水发生时,防洪闸门确保了大量囤积的水可以有控制的排出.为了确定溢流量,掌握闸门的准确位置是非常必要的.为了 ...

虹科-将人工智能引入电子组装检测