← Todos os recursos
Comparação de tecnologias
AOI baseada em regras versus inspeção por deep learning
Já temos equipamentos AOI. Há motivo para migrar para a inspeção com IA?
A diferença aparece quando a iluminação muda ou surge um novo defeito. Com regras, é preciso reescrever o algoritmo; com deep learning, basta treiná-lo. O argumento é mais forte em linhas onde as falsas rejeições já devolvem o trabalho para uma pessoa.
Termos
- AOI (Automated Optical Inspection)
- Equipamento que fotografa uma peça e avalia sua aparência
- Baseado em regras
- Julgamento por condições definidas por pessoas — limiares, regras de forma
- Falsa rejeição
- Peças boas julgadas defeituosas. Aumenta o trabalho de reinspeção
- Falsa aprovação
- Peças defeituosas julgadas boas. Gera escapes para o cliente
- Segmentação
- Separação da região do defeito pixel a pixel para obter posição e área
O que realmente muda
- Mudança de iluminação e posição
- Regras são sensíveis / deep learning é robusto
- Novo tipo de defeito
- Regras exigem atualizar o algoritmo / deep learning treina com ~5 imagens
- Texturas complexas (BGA, QFN)
- Regras têm dificuldade para classificar / deep learning classifica
- Quantificação de um defeito
- Difícil com regras / deep learning fornece área e posição por pixel
- Resolução de detecção
- Regras costumam exigir 5+ pixels / a DSTEK resolve em 2–3
Quando não vale a pena mudar
- Um único produto, iluminação fixa e o mesmo conjunto de defeitos há anos — regras são suficientes.
- O mesmo vale para processos que apenas medem dimensões, sem avaliação de aparência.
- Por outro lado, se as variantes de produto mudam com frequência, os tipos de defeito não param de crescer ou há pessoas ocupadas reverificando falsas rejeições, a decisão é clara.
Produtos e soluções relacionados
Recursos