بازرسی و کنترل کیفیت بردهای الکترونیکی با پردازش تصویر

در صنعت تولید بردهای الکترونیکی PCB، کیفیت مونتاژ اهمیت بسیار زیادی دارد. زیرا کوچک‌ترین خطا در لحیم‌کاری یا قرارگیری قطعات می‌تواند باعث اختلال در عملکرد کل دستگاه شود. با پیشرفت فناوری و کوچک‌تر شدن قطعات در تکنولوژی‌هایی مانند SMT (Surface Mount Technology)، تشخیص خطاها نیز دشوارتر شده است.

برای مثال تصور کنید روی یک برد، صدها مقاومت و خازن ( SMD) در اندازه‌های بسیار کوچک قرار گرفته‌اند. اگر یکی از این قطعات فقط کمی کج نصب شده باشد یا مقدار کمی لحیم کمتر از حد استاندارد داشته باشد، ممکن است در ابتدا مشکلی ایجاد نکند. با این حال در طول زمان همین مشکل کوچک می‌تواند باعث خرابی دستگاه شود. بنابراین کنترل کیفیت دقیق در تولید بردهای الکترونیکی یک ضرورت محسوب می‌شود.

محدودیت‌های بازرسی چشمی برد الکترونیکی در خطوط تولید

در بسیاری از خطوط تولید هنوز از بازرسی چشمی توسط اپراتور استفاده می‌شود. اما این روش محدودیت‌های زیادی دارد.

• زمان‌بر بودن:

در خطوط تولید انبوه، ممکن است روزانه هزاران برد تولید شود. بررسی تک‌تک این بردها توسط نیروی انسانی، سرعت خط تولید را به شدت کاهش می‌دهد.

• خطای انسانی:

اپراتورها بعد از مدتی دچار خستگی و کاهش تمرکز می‌شوند. همچنین سطح تجربه افراد متفاوت است؛ در نتیجه ممکن است یک عیب توسط یک اپراتور تشخیص داده شود اما توسط فرد دیگر نادیده بماند.

• محدودیت بینایی انسان:

بسیاری از عیوب مانند ترک های میکرو، کمبود جزئی لحیم یا آلودگی‌های سطحی، با چشم غیرمسلح به‌سختی قابل مشاهده هستند.

• هزینه بالا:

استفاده از نیروی انسانی برای بازرسی مداوم در مقیاس صنعتی، هزینه قابل توجهی به مجموعه تحمیل می‌کند. به همین دلیل صنایع الکترونیک به سمت اتوماسیون فرآیند بازرسی حرکت کرده‌اند.

بینایی ماشین چگونه بردهای الکترونیکی را بازرسی می‌کند؟

راهکار اصلی در صنعت امروز استفاده از بینایی ماشین (Machine Vision) است. در این سیستم‌ها دوربین صنعتی با وضوح ازبرد الکترونیکی تصویر می‌گیرد و سپس الگوریتم‌های پردازش تصویر، عکس را تحلیل می‌کنند. هدف این تحلیل پاسخ دادن به چند سؤال ساده است:

• آیا همه قطعات در جای درست قرار دارند؟
• آیا جهت قطعات درست است؟
• آیا لحیم‌کاری به درستی انجام شده است؟
• آیا روی برد آسیب یا آلودگی وجود دارد؟

سیستم‌های صنعتی که این کار را انجام می‌دهند AOI (Automated Optical Inspection) نام دارند.

سیستم‌های AOI با استفاده از نورپردازی کنترل‌شده، دوربین صنعتی و الگوریتم‌های بینایی ماشین، وضعیت پدهای لحیم، قطعات SMD، مسیرهای مسی و کانکتورها را بررسی می‌کنند. این سیستم‌ها در خطوط تولید SMT مورد استفاده قرار می‌گیرند و قابلیت تشخیص عیب با دقت زیر ۱۰ میکرون را دارند.

نمونه عیوب قابل تشخیص با سیستم‌های AOI

سیستم‌های بینایی ماشین می‌توانند طیف گسترده‌ای از عیوب را شناسایی کنند.

• پل لحیم (Solder Bridge)⇐
• کمبود لحیم (Insufficient Solder)
• جادجایی قطعه (Shifted Component)
• چرخش یا جهت اشتباه (Wrong Orientation)
• نوع اشتباه قطعه (Wrong Part)
• آسیب مسیر مسی (Track Damage)
• آلودگی سطحی (Flux Residue)

 

الگوریتم‌های پردازش تصویر در بازرسی PCB

سیستم‌های بینایی ماشین برای تشخیص این عیوب از چند مرحله پردازش تصویر استفاده می‌کنند:

1.پیش پردازش اولیه تصویر:(حذف نویز، یکنواخت‌سازی نور)

در ابتدا تصویر گرفته شده ممکن است دارای نویز یا روشنایی نامناسب باشد. در این مرحله از الگوریتم‌هایی مانند: فیلترهای حذف نویز، تنظیم کنتراست، نرمال‌سازی روشنایی استفاده می‌شود تا تصویر برای تحلیل آماده شود.

◊◊ به عنوان مثال اگر نور در بخشی از تصویر بیشتر باشد ممکن است سیستم اشتباها آن را به عنوان لحیم تشخیص دهد. بنابراین ابتدا روشنایی تصویر اصلاح می‌شود.

2. تقسیم‌بندی تصویر (Segmentation): (لحیم، پد، قطعات، برد)

در این مرحله قسمت‌های مختلف تصویر از هم جدا می‌شوند. لحیم، مسیرهای مسی، قطعات، پس‌زمینه برد. یکی از روش‌های رایج در این مرحله آستانه‌گذاری (Thresholding) است.

◊◊ مثلا لحیم معمولاً نسبت به سطح برد براق‌تر است. با استفاده از آستانه‌گذاری می‌توان ناحیه لحیم را از بقیه تصویر جدا کرد.

 3.تشخیص لبه (Edge Detection):

برای بررسی شکل قطعات و پدهای لحیم از الگوریتم‌های تشخیص لبه استفاده می‌شود.

4.تطبیق الگو (Pattern Matching):

در این روش تصویر قطعه با یک مدل مرجع مقایسه می‌شود.

5.استخراج ویژگی (Feature Extraction):

در این مرحله ویژگی‌هایی مانند: مساحت لحیم، ارتفاع لحیم (در سیستم‌های سه‌بعدی)، زاویه قطعه و … اندازه‌گیری می‌شوند.

◊◊برای مثال اگر مساحت لحیم کمتر از حد استاندارد باشد سیستم آن را به عنوان کمبود لحیم تشخیص می‌دهد.

در تصویر زیر شماتیکی از الگوریتم های نامبرده را می بینید.

Shape‑Based Matching چیست؟

Shape‑Based Matching یکی از الگوریتم‌های قدرتمند در پردازش تصویر است که برای پیدا کردن یک قطعه در تصویر بر اساس شکل هندسی آن استفاده می‌شود. در این روش، شکل هندسی قطعه به‌صورت یک مدل برداری توصیف می‌شود. سپس با استفاده از این مدل، قطعه حتی در شرایط تغییر نور، چرخش ۳۶۰ درجه و تغییر مقیاس تشخیص داده می شود. این الگوریتم یکی از دقیق‌ترین روش‌های شناسایی قطعات SMD در AOI است.

قابلیت های بزرگ این روش:

• وابسته به رنگ نیست
• نسبت به تغییر نور مقاوم است
• نسبت به چرخش مقاوم است
• نسبت به مقیاس مقاوم است.

چرا از HALCON برای بازرسی PCB استفاده می شود؟

HALCON یکی از قدرتمندترین کتابخانه‌های پردازش تصویر صنعتی است. ویژگی‌های مهم آن:

• الگوریتم‌های بسیار دقیق برای Machine Vision
• پشتیبانی قوی از Shape Matching
• مناسب برای خطوط تولید صنعتی
• سرعت بالا در پردازش تصویر
• قابلیت اتصال به C++ ،Python و C#

به همین دلیل بسیاری از سیستم‌های AOI صنعتی از HALCON استفاده می‌کنند.

تشخیص خطای مسیرهای مسی PCB با HALCON

در تصویر زیر محیط برنامه نویسی هالکن نمایش داده شده است. در این کدها ابتدا تصویر برد مدار چاپی در HALCON بارگذاری شده و ناحیه مورد بررسی انتخاب می‌شود تا پردازش تنها روی بخش موردنظر انجام گیرد. سپس تصویر به کانال‌های رنگی تفکیک شده و با استفاده از آستانه‌گذاری، مسیرهای مسی از پس‌زمینه برد جدا می‌شوند. در ادامه با اعمال عملیات مورفولوژیک نویزهای کوچک حذف شده و مسیرها به صورت نواحی پیوسته آماده تحلیل می‌شوند.

تشخیص جابجایی قطعه SMD  در برد های الکترونیکی

در این مثال سیستم ابتدا تصویر برد را می‌خواند، سپس با استفاده از Shape-Based Matching محل مقاومت SMD را پیدا می‌کند.

• read_image (Image, ‘pcb_board.png’)
• create_shape_model (Image, ‘auto’, 0, rad(360), ‘auto’, ‘auto’, ‘use_polarity’, ‘auto’, ‘auto’, ModelID)
• find_shape_model (Image, ModelID, 0, rad(360), 0.5, 1, 0.5, ‘least_squares’, 0, 0.7,  Row, Column, Angle, Score)
• (dev_display (Imagedisp_cross (WindowHandle, Row, Column, 20, Angle)

 

• create_shape_model :مدل قطعه مرجع را می‌سازد
• find_shape_model :محل قطعه روی برد را پیدا می‌کند
• سپس موقعیت و زاویه قطعه اندازه‌گیری می‌شود اگر زاویه قطعه با مقدار استاندارد تفاوت داشته باشد، سیستم آن را به عنوان قطعه کج یا جابجا شده تشخیص می‌دهد.

تشخیص کمبود لحیم در خطوط مونتاژ SMT

در این مثال ناحیه‌های براق لحیم از تصویر جدا می‌شوند و اندازه آن‌ها بررسی می‌شود.

• read_image (Image, ‘solder_ic.png’)
• rgb1_to_gray (Image, GrayImage)
• threshold (GrayImage, SolderRegion, 180, 255)
• connection (SolderRegion, ConnectedRegions)
• select_shape (ConnectedRegions, GoodSolder, ‘area’, ‘and’, 50, 500)

 

• threshold : ناحیه‌های براق لحیم را جدا می‌کند.
• connection : هر ناحیه لحیم را به صورت یک بخش مستقل تشخیص می‌دهد.
• select_shape : بررسی می‌کند که آیا اندازه لحیم در محدوده استاندارد هست یا نه اگر مساحت لحیم کمتر از حد مشخص باشد، سیستم آن را کمبود لحیم (Insufficient Solder) تشخیص می‌دهد.

کسب مهارت طراحی و پیاده سازی یک سیستم AOI

اگر در حوزه الکترونیک، کنترل کیفیت یا اتوماسیون صنعتی فعالیت می‌کنید، یادگیری بینایی ماشین و کار با ابزارهایی مثل HALCON می‌تواند یک مزیت رقابتی جدی برای شما ایجاد کند.

در دوره‌های آموزش بینایی ماشین، به‌صورت عملی یاد می‌گیرید:

• چگونه دوربین صنعتی، لنز و نور مناسب برای بازرسی PCB انتخاب کنید.
• چطور با HALCON الگوریتم‌هایی مثل Shape‑Based Matching، Thresholding و … را روی بردهای واقعی پیاده‌سازی کنید.
• چگونه یک سیستم AOI ساده برای تشخیص عیوبی مثل پل لحیم، کمبود لحیم، جابجایی و جهت اشتباه قطعات طراحی کنید.

اگر دوست دارید سرفصل دوره و نمونه پروژه‌ها را ببینید،اینجا کلیک کنید.