BENE

Scientific Reports volume 12, numero articolo: 12559 (2022) Citare questo articolo

5850 accessi

12 citazioni

14 Altmetrico

Dettagli sulle metriche

Riportiamo un framework completo di deep learning utilizzando un modello di rilevamento degli oggetti in un unico passaggio al fine di rilevare e classificare in modo rapido e accurato i tipi di difetti di fabbricazione presenti sui circuiti stampati (PCB). Descriviamo l'architettura completa del modello e la confrontiamo con l'attuale stato dell'arte utilizzando lo stesso set di dati sui difetti del PCB. Questi metodi di riferimento includono la rete neurale convoluzionale basata su regione più veloce (FRCNN) con ResNet50, RetinaNet e You-Only-Look-Once (YOLO) per il rilevamento e l'identificazione dei difetti. I risultati mostrano che il nostro metodo raggiunge una precisione media media del 98,1% (mAP[IoU = 0,5]) sui campioni di prova utilizzando immagini a bassa risoluzione. Questo è migliore del 3,2% rispetto allo stato dell'arte con immagini a bassa risoluzione (YOLO V5m) e dell'1,4% migliore rispetto allo stato dell'arte con immagini ad alta risoluzione (FRCNN-ResNet FPN). Pur ottenendo una migliore precisione, il nostro modello richiede anche circa 3 volte meno parametri del modello (7,02 milioni) rispetto allo stato dell'arte FRCNN-ResNet FPN (23,59 milioni) e YOLO V5m (20,08 milioni). Nella maggior parte dei casi, il principale collo di bottiglia della catena di produzione dei PCB è il controllo di qualità, i test di affidabilità e la rilavorazione manuale dei PCB difettosi. Sulla base dei risultati iniziali, crediamo fermamente che l’implementazione di questo modello su una linea di produzione di PCB potrebbe aumentare significativamente la resa e la produttività, riducendo drasticamente i costi di produzione.

I circuiti stampati (PCB) costituiscono la base che supporta la maggior parte dei prodotti elettronici. Solitamente sono realizzati in fibra di vetro e compositi epossidici con materiali laminati1. Qualsiasi difetto di fabbricazione a livello del PCB può portare a difetti fatali a livello del prodotto. Pertanto, i PCB devono essere prodotti con il massimo grado di precisione per garantire un funzionamento ottimale e l’affidabilità del prodotto. Con la crescente domanda mondiale di prodotti elettronici, è essenziale rilevare i difetti di fabbricazione in modo efficiente e accurato. Nell’ambito della rivoluzione dell’Industria 4.0, è possibile implementare nuove tecnologie basate sui dati e sull’apprendimento automatico per migliorare la qualità dei prodotti e dei processi2. Il paradigma Zero Defect Manufacturing (ZDM) mira inoltre a migliorare la sostenibilità della produzione sfruttando metodi basati sui dati per garantire che nessun prodotto difettoso passi attraverso il processo di produzione3. L'approccio combina rilevamento, riparazione, previsione e prevenzione4. Mentre i tradizionali metodi di miglioramento della qualità (QI) si concentrano sul rilevamento-riparazione, le industrie manifatturiere ora migrano verso un paradigma di previsione-prevenzione utilizzando metodi basati sui dati per prevedere i difetti di produzione5. L’industria dei PCB investe massicciamente per formare e mantenere un’ampia forza lavoro dedicata all’ispezione della qualità utilizzando strumenti di ispezione tradizionali6. Questo processo porta spesso a una latenza indesiderata nel processo di produzione. Inoltre, l’ispezione fisica delle parti è costosa e ardua. Pertanto, la maggior parte delle aziende manifatturiere si affida all’ispezione dei lotti. Tuttavia, l’ispezione dei lotti non consente ai produttori di rispettare il principio ZDM di zero difetti alla fine del processo di produzione. Con la crescente importanza della personalizzazione del prodotto, si registra un aumento dei tassi di difettosità a causa delle dimensioni inferiori dei lotti di produzione7. Nella Metrologia Virtuale (VM), un sottocampo di ZDM, i metodi basati sui dati aiutano a stimare e prevedere la qualità di un prodotto8. Questi metodi sfruttano parametri di qualità a basso costo per ricavare parametri più complessi e ottenere un miglioramento significativo in termini di efficienza dei costi8. Le emergenti tecniche di visione artificiale basate sull'apprendimento automatico hanno aiutato i ricercatori ad applicare la metrologia virtuale all'ispezione della qualità9

Diversi tipi di difetti nella struttura del rame possono affliggere i PCB. Possono essere difetti fatali, rendendo immediatamente il dispositivo non funzionante. Possono anche essere potenziali difetti, che compromettono le prestazioni del dispositivo e ne riducono la durata operativa10. Durante i processi di incisione e placcatura, le anomalie possono comportare un eccesso o una mancanza di rame. Inoltre, un processo incompleto può provocare la deposizione indesiderata di materiali conduttivi e la formazione di difetti come cortocircuiti o speroni. D'altra parte, un'elaborazione eccessiva può portare a buchi mancanti, circuiti aperti e morsi di mouse. Utensili difettosi possono anche produrre fori mancanti. Una tempistica errata può portare a registrazioni errate meccaniche, contaminazione da sporco o bolle d'aria derivanti dall'elettrolisi presente nelle schede PCB nude. La letteratura fornisce un ampio riassunto dei più comuni difetti di fabbricazione dei PCB e delle loro origini11.