Co tak naprawdę siedzi w AOI? cz.2.

Czas programowania dla AOI opartych o analizę obrazu Zwykle użytkownicy rozpoczynają pracę z AOI na etapie programowania. To właśnie programowanie stanowi idealną okazje do odkrycia możliwości, które drzemią w zakupionym sprzęcie i do nauki technik, służących do wykrywania błędów i w konsekwencji osiągnięcia 100-procentowej kontroli PCB. Równocześnie, programowanie stanowi etap, gdzie dwa rodzaje AOI – oparte na analizie obrazu oraz analizie algorytmu – różnicują się i stają dwoma odmiennymi metodami programowania. AOI oparte na analizie obrazu najpierw importuje bank obrazów, a samo programowanie początkowo wydaje się bardzo łatwe, jako że pierwsze płytki od razu znane są maszynie. Jednak szybko pojawia się też pytanie: ‘Co programista osiągnął do tej pory?’ Poprzez uchwycenie obrazu z kilku pierwszych płytek, maszyna uczy się jedynie na podstawie określonej próbki z danej partii produkcyjnej. Kiedy te same płytki testowane są po raz drugi czy trzeci, program wydaje się być stabilny i gotowy do masowej produkcji. Opisany proces uczenia się jest powtarzany w przypadku kolejnych płytek PCB, o odmiennej geografii / komponentach oraz tworzone są kolejne programy na bazie niewielkich próbek. Komuś niedokładnie obeznanemu z różnymi typami AOI, taki tryb projektowania wydaje się być fascynująco szybki i efektywny. W przypadku programowania wielu różnych produktów (N), całkowity czas programowania wydaje się być iloczynem N oraz czasu pisania oprogramowania dla pojedynczego produktu. Czas programowania AOI opartego na algorytmie Programowanie AOI bazującego na algorytmie w znacznym stopniu różni się od programowania maszyn, które najpierw ‘uczą się’ obrazu. W rzeczywistości, w maszynach opartych na algorytmie, użytkownik może programować offline, na podstawie danych z programów, nawet kiedy PCB wciąż jest w fazie projektowania. Bazując na danych matematycznych i geometrycznych dla każdego komponentu oraz płytki, na której komponenty mają zostać ułożone, urządzenie samo zastosuje algorytmy testujące każdą z części kiedy sam montaż już się zacznie.

© Vi TECHNOLOGY

Większość z wymaganych informacji jest zawartych w bibliotece, połączonej z bieżącym programem i jest jedynie finalnie dostosowywana do faktycznego procesu produkcyjnego, uwzględniają pewne wariacje wynikające z samego przebiegu procesu czy wykonania płytki. Proces finalnego dostosowywania często jest postrzegany jako bardzie czasochłonny niż ‘uczenie się’ obrazów w systemach opartych na analizie obrazu, jednak podczas programowania kolejnych produktów, raz stworzone biblioteki są ponownie wykorzystywane i czas spędzony na dostosowywaniu danych zostaje wówczas odzyskany. Porównując czas programowania pierwszych i kolejnych produktów (rysunek poniżej), można zauważyć, iż w przypadku AOI bazujących na analizie obrazu pozostaje on stały, podczas gdy w przypadku AOI bazujących na algorytmie, zmniejsza się znacznie przy kolejnych produktach. Fałszywe alarmy i współczynnik akceptacji błędów Jak stwierdzono w rozdziale poświęconym programowaniu, AOI bazujące na analizie obrazu wydają się być szybsze i dają imponujące efekty w przypadku krótkich serii produkcyjnych, podczas gdy AOI oparte na analizie algorytmu wymagają więcej czasu na programowanie. Jednak kiedy serie produkcyjne rosną do choćby 30 czy 40 sztuk, warto dokonać dalszych porównań tych systemów. Ilość fałszywych alarmów oraz ilość zaakceptowanych błędów są podstawowymi czynnikami branymi pod uwagę przy wyborze AOI. Ponownie podkreślmy, iż podstawową funkcją AOI jest wyłapanie błędów. Systemy bazujące na analizie obrazu, aby używać swojego zbioru obrazów do wyselekcjonowania błędnych komponentów od poprawnych, muszą szybko rozbudowywać bazę obrazów, aby uwzględnić czynnik zmienności procesu. Równocześnie, poprawność działania systemu bazującego na analizie obrazu jest w dużym stopniu zależna od operatora, który pozyskuje obrazy oraz buduje bazę danych. Osobista ocena każdego ze zgłaszanych komponentów (fałszywy alarm czy rzeczywisty błąd) jest kluczem do rozbudowywania bazy uwzględniającej zmienność procesu, a w konsekwencji, każda pomyłka operatora prowadzi do dużych dysfunkcji systemu. Innymi słowy, operator może wpisać do bazy błędny element jako dobry i na odwrót.

© Vi TECHNOLOGY

Aby stać się efektywnym narzędziem, AOI musi eliminować błędy operatora i dokładnie separować komponenty błędne i właściwe. Jeśli przedstawić graficznie kryteria właściwych oraz błędnych komponentów za pomocą dwóch krzywych Gauss’a, bardziej szczegółowa i efektywna metodologia AOI opartych na algorytmie pokazuje jasne odróżnienie oraz odseparowanie dwóch krzywych, obrazując stabilne i rzetelne rezultaty. Stosując AOI oparte na analizie obrazu, połączonego z zestawem obrazów i bazą danych, zwiększa się ryzyko użycia niejasnych kryteriów, ponieważ obrazy z poprawnymi i błędnymi komponentami zwykle wyglądają bardzo podobnie w oczach operatora. Co więcej, jako że to właśnie operator tworzy bazę danych, każda fałszywa ocena prowadzi do dalszych komplikacji. W takim przypadku, krzywe Gauss’a położone są bliżej i częściowo na siebie nachodzą. Część wspólna obu krzywych obrazuje obszar o niejasnych kryteriach i możliwość generowania fałszywych alarmów i akceptacji błędów. W przypadku AOI opartych na algorytmach, kryteria są ustanowione przy zastosowaniu pomiarów geometrycznych oraz progów dopuszczalności, ustanawiając jasną granicę pomiędzy dobrymi i błędnymi komponentami, bez względu na zmienność procesu. Zapewnia to stabilny oraz rzetelny proces inspekcji w całym cyklu życia produktu. W przypadku AOI opartego na analizie obrazu, ażeby utrzymać bardzo wysoką wydajność kontroli, uzyskaną przy kontroli mniejszych ilości płytek (<50), kluczowy element systemu (tj. baza obrazów) musi ustawicznie się powiększać, w miarę jak pojawiają się zmiany wynikłe z wariacji procesu. Zaciemnia to stopniowo kryteria ze względu na osobistą ocenę sytuacji przez operatora i w konsekwencji prowadzi do słabszych wyników w przypadku dłuższego procesu produkcyjnego (zwiększa się ilość fałszywych alarmów oraz ilość akceptacji błędów). Z drugiej strony, AOI oparte o algorytm, bazując na jasnych kryteriach programowania (pomiary i progi) oferuje stabilne i rzetelne rozwiązanie również w długim okresie. Cykl pracy (Cycle Time, CT) Cykl pracy AOI – czyli czas niezbędny na załadowanie, inspekcję oraz rozładowanie płytki – jest determinowany głównie przez cykl pracy innych urządzeń w linii, wymagany do montażu danego produktu. W przypadku AOI, matematyczna redukcja rozmiarów piksela powoduje wzrost czasu pracy, tak więc większość systemów AOI, aby osiągnąć wymaganą prędkość, musi iść na pewien kompromis na polu wykrywalności bardzo małych komponentów czy drobnych defektów. Aby przezwyciężyć ten problem, niektóre systemy wyposażane są w kilka kamer. Przykładowo, tworzone są systemy dwukamerowe, gdzie jedna kamera wykonuje zdjęcia o wysokiej, a druga o niskiej rozdzielczości, o różnym polu widzenia. Systemy wielokamerowe osobno dokonują inspekcji małych komponentów przy użyciu kamery o większej rozdzielczości. Jednak implementacja wielokamerowego AOI w linii produkcyjnej wydłuża czas pracy i ogranicza elastyczność. Możliwe jest też inne podejście do problemu cyklu pracy, poprawiające rozdzielczość bez pomniejszania pola widzenia, możliwe do zastosowania w AOI bazującym na algorytmie. Jedna z technologii nazywana jest ‘sub-pixel’. Stosując tę metodę, AOI oparte na algorytmie mogą w bardzo znaczący sposób poprawić rozdzielczość. Jednocześnie, jej stosowanie nie wydłuża czasu inspekcji małych komponentów czy połączeń. Dodatkowo, kiedy proces produkcyjny charakteryzuje się znaczną zmiennością, czas cyklu produkcyjnego w przypadku AOI opartym na analizie obrazu może się wydłużyć, ponieważ maszyna musi porównać rosnącą ilość fotografii w bazie. W takich przypadkach, aby utrzymać ilość fałszywych alarmów na akceptowalnym poziomie, zbiór obrazów musi ciągle rosnąć. Przetwarzanie zwielokrotnionych obrazów referencyjnych wydłuża czas procesu inspekcji, co stanowi jeden z najczęstszych narzekań ze strony użytkowników AOI bazujących na porównywaniu obrazu. Możliwość przenoszenia programu (Program Portability, PP) To kolejna istotna cecha, nie tylko dla dużych producentów, mających kilka linii, lecz również dla mniejszych, posiadających choćby dwie linie. Brak możliwości wykorzystania tego samego programu na obu liniach stanowi dużą stratę, zarówno w kontekście wykorzystania zasobów, jak i ponoszonych kosztów. Użytkownicy AOI bazującego na analizie obrazu odczuwają ten problem częściej niż użytkownicy AOI opartego o algorytmy, ta pierwsza metodologia potrzebuje bowiem obrazu do porównania. Przykładowo, ażeby zapewnić możliwość przenoszenia i funkcjonowania programu w oparciu o obrazy pozyskane przez pierwszą maszynę, kamera i oświetlenie AOI ustawionego w 1 linii musiałaby być identyczna z tymi w linii nr 2. AOI bazujące na algorytmie nie wymagają pozyskania realnego obrazu, a ich system pomiaru bazuje na pomiarach komponentów i płytki. Kiedy maszyny te zostaną prawidłowo skalibrowane, programy można łatwo przenosić i wymieniać pomiędzy maszynami. Redukuje to w jednoznaczny sposób koszt posiadania poprzez redukcję czasu programowania oraz eliminacje potrzeby pozyskiwania kolejnego banku zdjęć. Kontrola procesu (Process Control, PC) Coraz większe grono użytkowników stosuje AOI do kontroli swojego procesu produkcyjnego. Jednak, aby zagwarantować odpowiednią kontrolę procesu, praca AOI musi być dokładna i powtarzalna, jak również dostarczać najbardziej rzetelnych informacji. Stosowanie banku zdjęć do inspekcji komponentów nie zapewni najlepszych rezultatów, jako że metoda ta oparta jest na wynikach inspekcji przeprowadzonych wcześniej. Uniemożliwia to uwzględnienie zmienności procesu i wyklucza precyzyjną, szczegółową definicję tego, co ma być przedmiotem inspekcji. Co więcej, AOI oparte o analizę obrazu uczy się niejako ‘w locie’, przy udziale operatora i często wymaga szerokich tolerancji na etapie inspekcji, aby zapobiegać zbyt wysokiemu współczynnikowi fałszywych alarmów. Przy zastosowaniu tego typu danych, kontrola procesu staje się trudna, jeśli w ogóle możliwa. Z drugiej strony, AOI oparte na algorytmie, dokonuje pomiaru komponentu w oparciu o dane z systemu CAD, czyli dane nie zdobywane w trakcie ‘nauki’ systemu. System ten opiera się na faktycznym, geometrycznym kształcie komponentu, zdefiniowanych w CAD. Metoda ta zapewnia dokładne i powtarzalne dane, zasilające oprogramowanie sterujące kontrolą procesu. AOI oparte o algorytm są stosowane w kontroli procesu od roku 2002. System ten jest wybierany przez producentów wymagających rygorystycznych parametrów kontroli procesu. Tabela poniżej podsumowuje wady i zalety obu systemów: © Vi TECHNOLOGY AOI oparte na analizie obrazu, ze swym szybkim czasem programowania i szybkim cyklem pracy, często robią duże wrażenie podczas pierwszych dni pracy. Jednak niedługo potem użytkownicy tego systemu odczuwają jego niedogodności, narzekając na wysoki współczynnik fałszywych alarmów, słabą wykrywalność błędów i brak możliwości przenoszenia programów z linii na linię. Niedogodności te wpływają na jakość oraz generują koszty. Bibliografia [1] Vi TECHNOLOGY i-LITE construction, Romain Ramel, 2007 [2] Performance Comparison of 2D object recognition Techniques, Markus Ulrich, Carsten Steger, ISPRS 2002 [3] Vectoral Imaging: a new direction in Automated Optical Inspection, Mark Norris, 2002 Autorzy Marc Brun, Marketing Manager, Vi TECHNOLOGY Russell Claybrook, Western Regional Sales Manager of Vi TECHNOLOGY Jean-Marc Peallat is the President and CEO of Vi TECHNOLOGY Russ Warnecke is the Applications and Support Manager of Vi TECHNOLOGY