标签: AI软件平台

虹科了解制造业努力追求高质量标准，旨在实现 0%的质量漏检。这在医疗、航空和国防市场等高度管制的行业中尤其明显。 自动光学检测（ AOI）自开创以来已取得了长足进展。如今的AOI机器配备了最新2D/3D检测技术，通常用于生产的不同阶段，从生产开始时检测裸板，一直到回流焊后生产。 对于表面贴装技术（ SMT）检测，AOI是检测缺陷、缺失或外加组件、错误组件、焊接质量、锡膏不足、乃至翻转和倾斜组件的一个重要工具。 AOI系统的工作原理是将机器内摄像头拍摄的图像与已知的良好参考板进行比较。该方法通过模式或模板匹配来工作，也可以通过数据文件来提取组件信息进行检测。传统AOI可能需要大量时间来编制检测程序，但一旦完成，就不必在生产过程中对每块板进行手动检测，从而节省了时间。对于较短的运行或快速原型，操作人员可能会发现，设置AOI的时间权衡不值得，而人工目视检查或其他更传统的方法可能更适合。 如果从一个电子制造商角度看整个过程，你就会发现 AOI是在生产过程中尽早发现错误的一个关键因素 。 数据显示，越早发现错误制造，成本就越低 。客户发现错误会导致索赔，制造商的损失最大，因为可能意味着要完全替换产品。 那么在 AOI过程之外，哪里会出现质量问题？以下强调了 生产过程中错误漏检风险较高的领域 。 收到零件时，如何知道零件是否正确？ 让我们看看国防领域中的自定义连接器。从供应商那里收到的零件，很容易忽视最轻微的缺陷。比如你可能从供应商处收到了连接器错误旋转的部件。这些错误在离开供应商工厂之前未被发现，而你的团队在收到零件时也未注意到这些缺陷。或许旋转连接器的错误直至被焊接上才被注意到。而此时一个缺陷已变得十分昂贵。仅依靠人工目视检查接收的部件可能会在生产的最初阶段存在错误漏检的重大风险。 在焊接通孔组件或进行返工时，如何确保在放置、组件类型、极性或损坏方面无错误？ 尽管由于尺寸、电气性能和成本的原因， SMT组件已变得越来越受欢迎，但通孔组件在强度和长期兼容性方面提供了额外的优势。这对国防和航空航天等行业尤为重要，在这些行业中，冲击和振动测试对设计至关重要，以确保强度，并需要较长生命周期来保持兼容性。 同样重要的是，要记住，并不是所有组件都可以用 SMT设计，尽管大多数PCB板设计会使用SMT，但仍有一些组件需要手动焊接通孔。因为这是在工艺后期手动进行的，所以通常是以目视的方式进行检查。存在的风险是，由于焊接步骤和检查步骤都有人工操作参与，因此存在一个很大的窗口会出现质量漏检。 同样，当 AOI系统发现缺陷时，需要返工来纠正问题并提高产量(对比扔掉电路板）。返工通常由手动进行，也是由人工手动检查。不会再送回AOI机器。这可能会在几个不同方面增加风险。首先，是否是正确的返工过程？第二，在返工过程中是否有其他部件受到错误的影响？ 举例来说，假设一个直流 -直流(DC-DC）转换器需要更换，并对电路板进行返工。成功替换了元件，但是返工的电路板在客户收到后仍然不工作。经过仔细检查，看起来像是电路板的一些额外组件在返工期间意外地“炸掉”了，导致了故障。而故障则从快速的目视检查中溜走了。 通过在最终检验的离线检查中实施机器视觉摄像系统，上述类型的错误可以被最小化，以确保客户收到的是上等质量 。这些系统可以作为一种工具，在目视检查过程中帮助检测人员，在产品离厂之前发现意外错误。 在收到客户投诉产品缺陷时，你是否知道错误发生在流程的哪个环节？是否要花大量时间和精力来确定根本原因？ 在最后的包装阶段，使用机器视觉摄像机作为 “跟踪和追踪”系统的一部分，可以是加强质控的另 一个领域。每个板的映像会自动保存到数据库中，而无需增加现有进程的额外时间。这样的好处是，在客户提出索赔的情况下，制造商可以在电路板离厂之前获得一份图像副本，以确认电路板的状态。这是一种创建生产数字记录简单且有效的方法，同时节省解决客户索赔的时间和精力。 机器视觉相机和基于软件的系统最近有了一个更易实现的价格点，并且有了与现有相机易集成的无代码软件工具。通过将视觉系统与可追溯性和数字化功能结合起来进行检查，制造商和质控经理能够缩小质量漏洞，并通过 虹科开箱即用的解决方案提供针对 AOI错误的二次检查，以保护其业务 。 HK AI网关 关键特点： l 与现有的检测硬件、软件和终端用户流程配合。 l 支持的 GigEVision、USB3 Vision、CameraLink或MIPI等多种接口协议。 l 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。 HK 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。

质量问题和错误时有发生，尤其是在涉及 PCB和电子产品制造的复杂人为操作任务中。通常情况下，企业可能会配备自动光学检测（AOI）等系统，这些系统通常用于制造过程中“中间”阶段的检测。尽管AOI系统为质量控制创造价值，但它仍然使流程的前端和后端容易出现错误。 质量问题不仅可能使抱怨的客户损失巨额资金或提出更多索赔，而且还可能对您的品牌和作为供应商的声誉造成损害。为了避免代价高昂的人为错误，一些实用提示可以应用于流程，从端到端保护您的品牌和质量生产。 使用 AI执行“入厂”检测 入厂质量控制是质量问题的第一道防线。对于 PCB组装车间来说，一个良好的开端是评估所接收PCB的质量，并确保在组装前准备好正确的部件。对于电子制造业来说，首要任务是确保在开始制造产品之前收到正确的部件。 在该第一个阶段，通常采用目视检测，检查任何前期的质量问题。这个过程理论上听起来很简单，但是，操作人员需要管理多个复杂产品，区分 “良”和“不良”的部件可能是一个挑战。 为了解决该问题，推荐的做法是保留一块印刷电路板或零件的参考 “黄金”图像，并在开始生产前用它来确保正确的组件到位。人工智能的最新技术在视觉检测方面可以提供帮助，允许用户训练一个系统来自动检测所接收的零件和电路板，以表明这些产品是否与即将开始生产的产品正确关联。 创建存储首件检验 “黄金”参考图像的系统 始终检验首件。在为全面生产开绿灯前，应对正在生产的第一块电路板或部件进行审查。首件检验（ FAI）可能是一个漫长的过程，为了验证电路板的生产是否符合客户提供的规格，然而，在这个环节进行适当的检验是避免在整批生产中出现代价高昂的质量错误的关键。FAI应该根据产品的历史复杂情况来确定潜在的问题，并通过与以前生产的样品进行比较来指出任何偏差。 在该阶段，质量误差的主要风险存在于人类操作的视觉检测中。众所周知，当人类面临疲劳、多任务和决策时，我们易于出错。为了促进 FAI过程，制造商可以增加先进的AI功能来帮助人类作出决策，通过使用AI来比较存储的“黄金”参考图像和FAI，自动隔离任何差异，从而提高质量控制。 抽样纳入到 AOI的检测流程中 虽然 AOI系统非常适合在线检测，但为了帮助提高对不同类型缺陷的检测覆盖率，包括那些无法通过AOI检测的缺陷，例如通孔部件、胶水或密封缺陷，将产品抽样检测策略与AOI过程相结合将非常有益。 独立的视觉检测系统可以作为辅助检测，帮助补充 AOI过程，识别缺陷，例如缺少或错误的组件或螺丝，以及反极性和颜色的问题。 不要跳过最终检测 当然， AOI系统具有宝贵作用，但在AOI系统检测之后，在最终包装和运输之前，出错的风险是什么？如果流程包括焊接、手工作业和现场运输，质量控制仍然容易出现损坏、缺陷和断线成本。 AOI系统会制造一种虚假的安全感。虽然通过AOI可以实现90%的质量控制，但出错的可能性仍有10% — 尤其是在涉及某种程度的手工作业时。工人会尽其所能地遵循指令，但人与人之间的技能差异和沟通解释可能会导致生产过程中出现错误。这也可能是一个令人担忧的问题，刚入职的操作员需要入职指导、时间和经验，才能以与同事一样的速度和效率进行检测。 为了确保最终检测阶段的最佳实践，探讨诸如重复出现的问题、对一致性的要求，以及在可能的情况下实施基于摄像头的检测和人工智能支持，以达到最佳的客观效果。 保存记录以持续改进 有了适当的控制、检查和设备，仍有机会出现质量错误，不合格品仍然会到达客户手中。通常情况下，当产品在运输过程中受损，或一旦到达客户现场，就会发生这种情况。制造商如何提高可追溯性，并追溯到流程中可能出错的地方？ 就像对进货进行盘点一样，对每件已发运的产品进行记录同样重要。也许实施一个序列化过程，因为每个产品都有一个独特的条形码和保存的出库图像。 好处有哪些？下一次当客户打电话提出质量索赔或问题时，就有文件表明产品在离厂前的状态，对质量过程中的错误提供宝贵见解。 当评估需要改进的领域时，请记住，在制造或装配设施关键点上的自动化和视觉检测系统可以减少质量控制方面的风险，并有助于保持领先供应商的品牌完整性。确保使用 AI支持的人工检测决策来避免操作员出现疲劳和相关错误。

数字化转型近期已成为一个热门词汇，尤其是对于拥有高价值制成品和高度管制行业的市场。但是，究竟数字化转型的哪个方面真正引起了人们的关注？它仅仅涉及数字化所有基于流程的想法，还是人们渴望得到更深层次的东西？ 数字化可追溯性是数字化转型（ DX）愿望清单上的首个要求 可追溯性在生产过程中起到关键作用。如果你需要追溯一项客户投诉以确定根源分析，你需要花时间追溯到流程中的每一个点，以确定错误逃逸所在的位置。也许你需要追溯来查明导致市场召回产品的具体原因。使用纸质程序人工启动追溯步骤，可能既费时又费钱。 将可追溯性程序转化为数字过程可以显著地影响效率，并提供更多数据来进一步改善基于纸件的过程。据统计，利用数字工具的公司在表现上往往优于数字化之前。这是因为他们更具备利用相关工具处理追溯性投诉的能力，这些工具为他们提供了相关数据，防止今后再次发生已经发生的错误。 我们在近期对各大制造商进行的一项调查惊讶地得知，仍有大量的关键流程仍由人工操作。然而，消费者已经开始期望在产品和品牌责任方面达到更高的质量标准，充分理解制造商有了较为先进的机器和技术，因此他们的期望可以（而且应该）得到满足。 消费者已经在他们的日常生活中使用并依赖可追溯性服务，期望在包裹通知邮件中收到一张包含日期、时间和地址等附带信息的照片，以此证明交付成功。这种日益增长的期望只会给制造业带来了进一步的压力，尤其是在质量控制和改善可追溯性方面。 幸运的是，这并不复杂 机器视觉项目专用高质量相机的成本实质上已成为重点。多亏规模庞大的智能手机产业，高质量的小型相机无处不在，而且不断改进，这使得计算机视觉和人工智能比以往任何时候都更轻松地被整合到工厂自动化应用中。 通过四个步骤即可建立专属于你的数字化追溯视觉系统 1. 首先，你需要一台相机 当今相机选择诸多，无论是智能手机、网络摄像头、数码单反相机还是工业级机器视觉相机。在挑选相机时，你希望收获能自动对焦的相机。这部相机需要能够清楚地检测并聚焦于目标，因此无需花费额外时间来调整焦点。从图像质量的角度来看，你也想确保你能够在各种照明条件下捕捉到你所寻找的细节水平。 使用诸如 GigE Vision和USB3 Vision符合机器视觉标准的相机，或支持UVC的网络摄像头相机，为使用标准协议的软件提供了一种简单的接口方式。这将使软件集成变得更轻松，省去了手动移动文件或使用SD存储卡的步骤，这些步骤可能极为耗费时间。 你可能认为选择智能手机更为方便，但有些厂区不允许设备进入生产车间，你仍然会面临将照片传输到你的数据库 /存储库的挑战，拖慢了进程，因此它们被持续使用的可能性极小。 2. 接着，你需要一台主机 你需要一台能够连接到相机以检索图像的个人计算机。你可能希望在工厂的成品品质管制区指定一台专用个人计算机作为扫描工作站。专用站允许任何人员随时收集图像，或按批号或条形码访问存储的图像。该独立运作的站点的另一个优势是尽职 ， 可以在多名操作人员之间共享，而不是依靠个别操作员和他们的工作站个人计算机来拍摄快照。 3. 然后，插入条形码扫描仪 条形码在工厂里随处可见，因此在该过程中，我们将假设你已经有了条形码。如果你没有条形码，请记住，插在个人计算机上的条形码扫描器将会用得着，以避免键入（或错误键入）产品信息。无论你是对你生产的各个产品进行序列化，还是按工单进行序列化，将代码与图像的文件名一起保存，都可以省下大量的追溯时间。图像在几分钟内可以根据产品条形码进行全面搜索，为今后省时省力。 4. 最后选择一个存储库，无论是内部存储还是基于云的存储 你希望能够压缩照片，并调整压缩等级至一个合适的水平，以便你能在不损失太多细节的情况下缩小照片的文件大小。亲自建立一个系统可能涉及调整和测试。如果没有压缩数据，你会发现你的存储空间相当快地被用尽。正如我们上面所讨论的那样，因此你将根据产品的序列号将你的照片整理到文件夹里。许多云 存储 服务允许你为文件添加标签或标记，以实现高效的搜索功能。 你也可能认定，云存储不是你数据存储的正确方法。虽然其优势是不必担心建立服务器和应用程序，或支持整个基础设施，但视你的产品政策（即高度敏感的数据）而定，你可能认定内部部署是最适合你的方法。 如果你更喜欢云存储库的优势，但又不想从事任何 IT 基础设施的建设，诸如 Microsoft SharePoint、OneDrive、Google Drive 和 Dropbox 等基于云存储的解决方案会很合适。 如果安全和数据隐私是重中之重，那么你可以选择内部存储解决方案，这可能是一个简单的网络驱动器或上述存储解决方案的内部版本。内部部署的优势包括你可以更好地控制您的数据以及数据的安全性，但要承担更多的内部 IT 成本来建立和维护基础设施。 寻找立即可用的产品 构建可追溯性摄像系统的所有部件在市场上都是现成的，但是整合所需的时间，甚至是使用定制软件开发应用程序，可能会因为其他正在进行的项目和日常工作而无法承担。 我们成套的立即可用解决方案是复杂定制摄像系统的替代方案，预装了可定制的无代码应用程序，包括一个专门为数字化追溯开发的应用程序。关注以下产品及应用，深入了解视觉检测专用 AI解决方案和数字化转型工具。 虹科产品：虹科 -AI网关 关键特点： l 与现有的检测硬件、软件和终端用户流程配合 l 支持的 GigEVision、USB3 Vision、CameraLink或MIPI等多种接口协议 l 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 虹科产品： 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