【机器视觉】人工智能检测设备实现手机外观缺陷全自动检测、基于人工智能的PCB表面瑕疵检测

2019 年 2 月 1 日 产业智能官

人工智能检测设备实现手机外观缺陷全自动检测

手机外观缺陷检测一直是业界的难题，需要检测的缺陷种类繁多且变化多端，主要缺陷包括手机外壳上出现的污点、划痕、边缘缺失、裂纹、水迹水印、气泡、手指纹、异物、油墨、异色区分等问题。

目前，手机整机外观全检基本上处于全人工肉眼检测的状态。由于手机整机的精密工业检测需求，使得传统机器视觉系统难以通过编程来解决以上这些缺陷检测问题。手机整机外观检测涉及曲面以及复杂纹理图像中细微划痕的检测需求，只能通过人工肉眼二次复检来完成，进而增加了额外成本。

人工智能手机整机外观全检设备

基于深度学习算法的AI缺陷检测颠覆性产品——人工智能手机整机外观全检设备，经过一年的在线运行与验证，已经完全达到了客户工业4.0智能生产车间的技术指标要求，这标志着困扰行业多年的手机整机外观全检难题终于被攻克。

人工智能手机整机外观全检设备，实现了光电、机械、人工智能深度学习算法等领域的系统整合。其检测技术大量结合核心人工智能深度学习算法、光学原理、图像处理、运动控制及精密机械等技术，利用光学方式采集图像以获得产品的表面状态，以人工智能算法、图像处理技术来检出产品缺陷或图案异常等，具有高速度、高精度、高稳定性等特性，不论是在生产的制程中进行监测或进行精密品质管理，或是在高科技产品的制造与检验作业中，这款人工智能设备都能发挥重要作用。

核心技术介绍

人工智能算法软件重新定义了AI缺陷检测。新技术的研发使得缺陷检测更精准、更高效，这次技术升级带来了以下技术优势：

1、能够轻松应对频繁更换检测产品的情况，无需重新建立神经网络；

2、单一图片数据也可以轻松建立神经网络；

3、可视化调试，打开了“黑匣子”，提高检测的准确度；

4、独有的自动标记功能，极大地降低了人工标记的时间；

5、新旧产品更替可以平稳过度，零对接时间；

6、利用GPU及算法优化提高检测速度，可以实现高速产线的实时检测（最高速度超过10m/s）

相比于传统机器视觉检测，人工智能深度学习算法具有以下几大优势：第一，解决了传统视觉无法处理的完全无规律的复杂图像问题；第二，解决了传统机器视觉由于抗干扰能力差而造成的漏检、误检率高的问题；第三，解决了传统视觉中未出现过的缺陷无法识别、需要连续不断的算法补丁的问题；第四，解决了传统视觉项目周期普遍很长、导致验证速度慢的问题；第五，解决了传统视觉对硬件环境依赖比较高的问题。

（1）继续训练

图1：继续训练。

通过继续训练缩短训练时间，利用之前训练的神经网络，客户可以最小化同一行业中新产品的训练时间和训练图像的数量。

（2）边界数据

图2：边界数据。

向用户展示介于正常和缺陷之间的边界数据，抽取出会影响到模型性能的图片，经过分析之后可以非常容易地提高模型的性能。

（3）图像比较

图3：图像比较。

重点学习两幅图片之间的差距，即使改变了光学条件，也能尽量减少费用并检查出缺陷。

（4）多图像分析

图4：多图像分析。

同一产品在不同的光学条件下拍摄时，通过分析图片之间的相互关系以提高检测能力，如把图片打包检测，处理时间可以大大缩短。

（5）可视化纠错

图5：可视化纠错。

可以将深度学习算法分析并分类的过程可视化。此功能可以检测软件是否在按照使用者的意图进行训练。

解决方案

这台人工智能手机整机外观全检设备，结合了核心AI软件，可实现360°自主检测，并且可以精准检测到手机曲面上的缺陷，不但能准确检测到缺陷的位置、形状，还能自动计算缺陷的长度、面积、数量等各种用户需要得到的信息，并且可以结合用户界面，实时显示出检测结果。

人工智能手机整机外观全检设备。

可以检测手机的上下表面、侧面和边缘，实现手机外观全检。每部手机的检测时间<15s，检测精度可达20μm。

该设备能完全将人工解放出来，达到无人自动化检测，并且可以达到高精确度的客户需求，包含：

污点、划痕、边缘缺失、裂纹、水迹水印、气泡、手指纹、异物、油墨、异色区分检测；
多工艺物料需要在一套算法系统中解决；
检测区域包括表面、背部、侧端、边角等多面检测；
检测准确度达到99.97%以上，检测精度最小达到1Pixel；
具备剔除分类功能，针对缺陷类型可做返工或报废分类；
可以直接兼容到工厂现有产线上。

图7-图10给出了几个检测案例图。

图7：Galaxy S8+背面划痕检测。

图8：Galaxy S8+侧面的污点检测。

图9：手机背面复杂纹理图像中的细微划痕检测。

图10：手机侧面曲面的污点、划痕检测。

小结

视觉检测是基于图像处理进行的，所以理论上只要能采集目标产品的良品图片和不良品图片，就可以用人工智能软件进行学习，建立神经网络进行缺陷检测。

目前，人工智能检测方案已经应用于太阳能板、PCBA、手机零部件、汽车零部件、医疗、X光、机场行李、半导体、焊接、手机镜头、手机芯片、皮革、面料、电容等检测应用中，合作客户包括三星、LG、华为、富士康、现代集团、隆基乐叶等。

文/数优（苏州）人工智能科技有限公司投稿

基于人工智能的PCB表面瑕疵检测

过去五十年，台湾的PCB产业以其供应链完整集中，品质优良及两岸布局完整为优势，从2010年起就在全球PCB市场占据30%的市场份额。近年来，得益于高端手机的推陈出新，2017年整体PCB产业链的两岸产值已超过300亿美金，突破历史新高。

PCB产业为台湾最具竞争力的产业之一，而自动光学检测（AOI）设备是提升PCB产能及产品良率的关键设备。AOI设备可部署于生产线的中站，在不影响产能的前提下检查半成品，因此成为PCB制造过程中比重较高的必要投资，约占总投资额的15%。

困难与挑战

AOI 设备的检测流程是先利用AOI光学扫描待检的PCB，获取清晰影像，然后经过电脑图像处理技术检查出PCB 上是否有短路、多铜及少铜、断路、缺口、毛刺、铜渣、缺件、偏斜等瑕疵。因为外观瑕疵的种类非常广泛，所以较一般电子零部件的瑕疵检测困难许多。

图1：PCB板上的典型缺陷 Image 1: A typical PCB defect

目前AOI 检测面临过度筛检(OVERKILL)的现象。在极高的PCB良品率的要求下，AOI 设备的参数设定非常严格，也因此AOI检测设备容易因过于敏感而出现过筛现象。经统计PCB 过筛率高达70%，即NG 产品中其实有70%的成品是合格的。目前多采取人工进行第二次筛选，将实际合格的PCB 再度送回产线。

碁仕科技人工智能（AI）瑕疵检测系统

来自台湾的碁仕科技(G4 Technology Co., Ltd) 主要致力于提供机器视觉和自动光学检测(AOI) 领域的成像解决方案，并向企业成功应用机器视觉技术提供服务，在生产製程中严格控管品质，不仅可提升产品良率确保运作效能，亦可有效降低生产检测成本。

近日，碁仕科技推出AI 瑕疵检测系统演示，该系统透过Allied Vision Manta G-032C 专业工业相机和Fujifilm 五百万画素高解析镜头的取像，搭配最新的AI 深度学习算法(Deep learning algorithm)的SuaKIT AI 视觉检测软件，能实现PCB 即时检测并标注PCB 瑕疵。

图2：碁仕科技的AI瑕疵检测系统demo

SUALAB的深度学习技术采用人工智能神经网络学习PCB图像，相较于传统视觉技术，该瑕疵检测系统可以分析複杂的影像，大幅提升自动化视觉检测的影像判读能力和准确度，并可将瑕疵进行自动分类。根据图像的复杂程度，深度学习算法初期需要的图像数据有所不同，一般提供50-100张即可。这意味着即使是针对每个客户公司不同的瑕疵标准，该系统也能够灵活应对。

图3：使用Manta + Suakit进行PCB检测

高品质Manta相机为PCB检测精确度和稳定性倍添助力

碁仕科技的AI瑕疵检测系统中配备的Manta G-032C相机是一款分辨率为(656 x 492) 30万像素的高品质工业相机，其80 fps的速度可以满足正常需求，一般经过15分钟时间就可建立对应神经网络模型。在实际的生产线上，每秒钟可实时处理所采集的80张图像。

“我们为此款PCB检测演示应用选择Manta相机主要是考虑到实时检测环境下的高速要求，这需要我们以较小的图片尺寸快速的传递图像，而该款相机拥有较快的帧率，可完全满足检测的速度需求。” 碁仕科技总经理Ken Chou强调。“此外，Allied Vision品牌相机的德国品质和稳定性使得其成为AI检测算法的最佳匹配。事实上，根据应用的不同，几乎所有的Allied Vision系列相机均可做为PCB系统检测的理想选择。例如，如果客户对检测的成像质量要求很高的情况下，也可使用Allied Vision的高分辨率相机系列，例如Prosilica GT。”

图4：Allied Vision Manta相机系列

Allied Vision的Manta系列相机是用途最为广泛的千兆网相机系列。这款相机提供众多模块化选择，包括弯头和板级版本，使得相机可与几乎任何应用整合。Manta 先进的功能集合，包括多相机同步、用户指令和以太网触发功能，可简化多相机应用的设置，减少整体布线工作并降低成本。

文章来源，AVT投稿

工业互联网

产业智能官 AI-CPS

加入知识星球“产业智能研究院”：产业OT技术（工艺+精益+自动化+机器人）和新一代IT技术（云计算+大数据+物联网+区块链+人工智能）深度融合，在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的机器智能认知计算系统；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。