Sherlock8 AI 软件仅使用少量样本进行训练,这使得 AOI 机器学习变得更加容易。手机行业的规模和竞争力推动了许多行业的投资和创新,从成像、软件,甚至冶金。毫无疑问,半导体技术和市场受到的影响最大,对更小封装的更高性能的需求是半导体市场几十年来的不懈需求。几个月前,苹果发布了其最新的iPhone,其中一些配备了新的A3仿生芯片,采用了台湾台积电生产的新的17nm制造工艺。据报道,苹果采购了台积电能够生产的所有3nm芯片。这些芯片比其 5nm 前辈更小、更快、功耗更低、更节能。据苹果公司称,每个芯片有190亿个晶体管,其中一些晶体管非常小,可能只有12个硅原子宽。同样的压力也延伸到印刷电路板制造领域。据报道,苹果将改用树脂涂层铜(RCC)箔作为其新的PCB材料,使该公司能够使其更薄。这对制造商来说将是一个挑战,因为RCC箔非常脆弱,以至于研究人员在IEEE上发表的文章指出,它在层压过程中特别容易受到热和压力的影响。仅仅创新是不够的,你必须盈利。《信息》杂志的一份新报告描述了苹果在降低成本方面获得的有利条件:作为巨额订单的回报,台积电将不得不承担有缺陷的处理器芯片的成本。因此,虽然像TSM这样的晶圆厂正在通过开发更小的节点工艺来降低芯片尺寸和功耗来增强竞争力,但它们在质量方面将面临严峻的挑战。对于许多公司来说, 质量控制是 PCB 制造链中的主要瓶颈, 包括可靠性测试和缺陷 PCB 的返工. 提高质量控制的速度和效率可以显著提高产量和良率, 降低制造成本, 减少浪费.大多数 PCB 制造商使用自动光学检测 (AOI) 来监控印刷电路板中的缺陷。当印刷板上的焊接、连接、焊盘和走线出现缺陷时,这提供了强有力的保证。AOI 已被证明对于早期发现装配过程中出现的问题非常有用,例如短路、开路、焊缝变薄、走线上划痕等。特别是,划痕对电路板来说可能是“致命的”,会改变其电气特性并导致成品完全失效。AOI的优点是直接集成在PCB生产线的末端,在层压和蚀刻之前,比其他方法更早地检测到可能的缺陷。成像系统捕获低至几微米的高分辨率图像,然后将它们与“完美”模型板(也称为“黄金模板”)的图像或良好和有缺陷样品的图像数据库进行比较。
除了在组装中测试PCB, AOI方法还可以监控制造过程本身.夹持器可以实时响应检测到的缺陷,纠正组件缺陷,如组件错位和错位。尽管如此,随着对更小、更高性能零件的需求,由此产生的材料缺陷的复杂性和微妙性意味着传统的手动检测或基于规则的成像可能根本无法胜任这项任务。一家半导体 OEM 设备制造商需要检查 PCB 组件是否存在各种细微缺陷,包括破损、磨损、污染、碎屑和气泡。但是,使用传统的基于规则的图像处理无法提供所需的精度。他们面临着在现有流程中未被发现的缺陷零件的增加,从而推高了成本。他们需要一个新的解决方案。 为了克服这些障碍,客户决定尝试 AI 深度学习,以满足检测 PCB 及其组件缺陷的精度要求。他们选择了 Teledyne DALSA 的 Sherlock8 AI 检测软件套件。Sherlock8 AI 软件使他们能够在 AOI 机器中使用 AI 功能扩展基于规则的算法。Sherlock8 AI 软件被证明是该 OEM 客户的理想解决方案,使他们能够使用大多数现有系统,同时更准确地检测其他方法可能遗漏的细微缺陷,包括破损、磨损、污染和碎屑使用 Sherlock8 AI,客户能够在 12-14 毫秒内以 98% 的准确率连续分类 200 张图像, 以及 453 张好图像和 11 张坏图像,准确率为 100%。此外,当同时在零件图像上寻找多个缺陷时,他们能够以 259 张图像和 20 毫秒的速度执行目标检测,达到 99.62% 的准确率。PCB 上的晶体管可能会有许多微小的变化,这些变化可能会也可能不会影响性能。过去几年在人工智能机器学习领域取得的巨大进步就是针对此类应用的。其结果是一条生产线可以准确地检测印刷电路板上的细微缺陷,而无需劳动密集型的人工检测。人工智能深度学习为传统的基于规则的图像处理提供了一种可靠和稳定的替代方案,传统的图像处理通常无法检测到细微的缺陷。总体而言,得益于 Teledyne DALSA 的 Sherlock8 AI 软件,OEM 客户在 PCB 缺陷检测的准确性和速度方面都得到了显著提高,使他们能够减少缺陷,同时提供符合其规格的更高质量的产品。
时至今日,该行业仍在从2021年开始的全球半导体短缺中缓慢复苏。尽管麦肯锡分析师预测,未来十年近70%的半导体增长将仅由三个行业推动:汽车、计算和数据存储以及无线通信,但这些行业仍在追赶错过产品发布、延迟更新、价格上涨和更高的期望。压力与日俱增。
像 Sherlock8 这样的深度学习和人工智能软件系统可以快速提高最大瓶颈的速度和准确性:质量控制。公司可以将质量控制转化为竞争优势,提高速度并降低成本,同时在紧密联系的行业中建立信任,而不是成为问题。更好的产品可能只是一个开始。半导体公司在生成和分析数据方面已经处于领先地位,但机器学习和人工智能提供的帮助肯定会提高每家公司运营的生产力。预测性维护和良率、研发投资,甚至上市战略和产品优化都可能受益于更多的数据和更好的机器学习。