基于人工智能视觉的0402元件立碑缺陷检测

介绍

在SMT制造中，0402元件（1.0mm×0.5mm）容易出现墓碑缺陷—由于焊膏不均匀或热应力导致焊盘一端翘起—造成电气故障我知道了传统的基于阈值图像比较的AOI系统存在15%-20%的误报率。而采用深度学习的AI视觉系统通过自主特征提取，可实现超过99.5%的检测准确率。

1. 缺陷表征和数据准备

1.1 定量缺陷准则

根据IPC-A-610（图1）：

• 倾斜角θ：组件长轴倾斜>10°；

• 高度差ΔH：焊点高度差≥元件厚度的50%（0402元件厚度为0.175mm）。

1.2 高分辨率数据采集

• 硬件：

  • 摄像头：2000万像素CMOS，2.4μm像素尺寸，30fps；

  • 照明：同轴灯+红色环形灯（630nm，15°倾斜）；

• 数据集：

  • 10万张图片（50%有缺陷）；

  • 用 LabelImg 标注坐标、θ 和 ΔH。

2. 人工智能算法设计与训练

2.1 双分支 CNN 架构（图 2）

• 骨干：ResNet-50（1024维特征）；

• 检测头：

  • 回归：预测 (x,y) 和 θ；

  • 分类：输出缺陷概率；

• 损失函数：

  ​

2.2 数据增强

• 几何的旋转（±5°），平移（±5px），缩放（0.9-1.1倍）；

• 光度学：焊料反射（±20%亮度），高斯噪声（σ=1.5）。

3. 系统部署与优化

3.1 实时推理

• 硬件NVIDIA Jetson AGX Xavier 搭载 TensorRT；

• 量子化FP16 精度将推理时间缩短至 50 毫秒/帧。

3.2 多尺度检测

• ROI提取：YOLOv5 用于组件定位（图 3）；

• 局部分析对输入到双分支 CNN 的候选区域进行 4 倍放大。

4. 关于射频林业验证

4.1 测试结果（表 1）

4.2 生产案例

一个 PCBA工厂 已实现：

• 缺陷泄漏成本降低 70%；

• 人工检查次数减少 85%。