← แหล่งข้อมูลทั้งหมด
เปรียบเทียบเทคโนโลยี
AOI แบบ rule-based เทียบกับการตรวจสอบด้วย deep learning
เรามีเครื่อง AOI อยู่แล้ว มีเหตุผลอะไรที่ควรเปลี่ยนมาใช้การตรวจสอบด้วย AI?
ความแตกต่างจะเห็นชัดเมื่อแสงเปลี่ยนหรือมีข้อบกพร่องประเภทใหม่ Rule-based หมายถึงการเขียนอัลกอริทึมใหม่ ส่วน deep learning หมายถึงการเทรนเพิ่ม เหตุผลจะชัดเจนที่สุดในไลน์ที่การตรวจจับเกินทำให้ต้องส่งงานกลับให้คนตรวจซ้ำอยู่แล้ว
คำศัพท์
- AOI (Automated Optical Inspection)
- เครื่องที่ถ่ายภาพชิ้นงานและตัดสินรูปลักษณ์
- Rule-based
- ตัดสินด้วยเงื่อนไขที่มนุษย์กำหนด — ค่า threshold กฎด้านรูปร่าง
- การตรวจจับเกิน (over-detection)
- ชิ้นงานดีถูกตัดสินว่าเสีย เพิ่มแรงงานในการตรวจซ้ำ
- การตรวจจับหลุด (under-detection)
- ชิ้นงานเสียถูกตัดสินว่าดี นำไปสู่ของเสียหลุดถึงลูกค้า
- Segmentation
- การแบ่งบริเวณข้อบกพร่องทีละพิกเซลเพื่อหาตำแหน่งและพื้นที่
อะไรที่แตกต่างจริงๆ
- การเปลี่ยนแปลงของแสงและตำแหน่ง
- Rule-based อ่อนไหว / deep learning ทนทาน
- ข้อบกพร่องประเภทใหม่
- Rule-based ต้องอัปเดตอัลกอริทึม / deep learning เทรนด้วยประมาณ 5 ภาพ
- พื้นผิวซับซ้อน (BGA, QFN)
- Rule-based จำแนกได้ยาก / deep learning จำแนกได้
- การวัดข้อบกพร่องเชิงปริมาณ
- ทำได้ยากสำหรับ rule-based / deep learning ให้พื้นที่และตำแหน่งระดับพิกเซล
- ความละเอียดในการตรวจจับ
- Rule-based โดยทั่วไปต้องใช้ 5 พิกเซลขึ้นไป / DSTEK แยกแยะได้ที่ 2–3 พิกเซล
เมื่อไม่จำเป็นต้องเปลี่ยน
- ผลิตภัณฑ์เดียว แสงคงที่ และชุดข้อบกพร่องที่ไม่เปลี่ยนมาหลายปี — rule-based ก็เพียงพอ
- กระบวนการที่วัดเฉพาะขนาดโดยไม่มีการตัดสินรูปลักษณ์ก็เช่นกัน
- ในทางกลับกัน หากรุ่นผลิตภัณฑ์เปลี่ยนบ่อย ประเภทข้อบกพร่องเพิ่มขึ้นเรื่อยๆ หรือต้องใช้คนตรวจซ้ำชิ้นงานที่ถูกตรวจจับเกิน เหตุผลก็ชัดเจน
ผลิตภัณฑ์และโซลูชันที่เกี่ยวข้อง
แหล่งข้อมูล