จุดบกพร่องวิกฤตในการตรวจสอบ PCBA: ทำไมการสุ่มตรวจสีของ AOI (TOC) จึงตรวจหลุดข้อบกพร่องจากการละเลยรูปทรงและโครงสร้างชิ้นส่วน

บทคัดย่อ: ข้อบกพร่องโดยธรรมชาติของระบบ AOI แบบดั้งเดิมที่ใช้สีเป็นหลัก

ในระบบ Automated Optical Inspection (AOI) แบบดั้งเดิม "อัลกอริทึมการสุ่มตัวอย่างสี (TOC)" คือวิธีหลักที่ใช้บ่อยที่สุดในการตัดสินของเสียทั่วไป เช่น ตะกั่วบัดกรีไม่เพียงพอ ฟองอากาศ ตะกั่วไม่คลุมทองแดง อุปกรณ์ผิด และอุปกรณ์สูญหาย ตรรกะของมันตรงไปตรงมา: หากสัดส่วนของพิกเซลสีภายใน Region of Interest (ROI) ตรงตามเกณฑ์ที่ตั้งไว้สำหรับ "ความสว่างมาตรฐาน + ความเข้มของสีมาตรฐาน" จะถูกตัดสินว่า OK หากไม่ตรงเกณฑ์จะเป็น NG

อย่างไรก็ตาม วิธีนี้มักทำให้เกิดจุดบกพร่องหลัก 3 ประการในสภาพแวดล้อมโรงงานจริง เหตุผลสำคัญของปัญหานี้คือระบบ ดูเฉพาะสี ไม่ได้ดูรูปร่างและโครงสร้าง

จุดบกพร่องหลัก 3 ประการของอัลกอริทึมการสุ่มตัวอย่างสี (TOC)

จุดบกพร่องที่ 1: ไวต่อความแปรปรวนของแสงอย่างยิ่ง 

อัลกอริทึมการสุ่มตัวอย่างนี้มีพื้นฐานอยู่บน "การตัดสินด้วยสี" เป็นหลัก อย่างไรก็ตาม วิธีการที่อิงตามสีเพียงอย่างเดียวจะล้มเหลวเมื่อ:

• มุมตกกระทบของแสงเปลี่ยนไปเล็กน้อย

• ความสว่างถูกปรับเปลี่ยนเพียงเล็กน้อย

• การสะท้อนของเนื้อครีมบัดกรี (solder paste) มีความแปรปรวน

• สีของแผ่นซับสเตรตมีความแตกต่างกันเล็กน้อย
  
  

  

ในภาพ ① สามเหลี่ยมค่าสี (chromaticity triangle) แสดงถึงช่วงสีที่ยอมรับได้ ในกรณี "บัดกรีไม่เพียงพอ" (ภาพ ②) การตั้งค่าทั่วไปอาจเป็น: R: 0–65, G: 0–85, B: 70–180 ซึ่งใช้เพื่อกรองค่าพิกเซลที่ตรงกับลักษณะภายนอกของจุดบัดกรีปกติ

อัลกอริทึมการสกัดสีสามารถสลับโหมดได้โดยการปรับพารามิเตอร์:

• Brightness Mode: ค่าสี RGB ถูกตรึงไว้ที่ 0–180 การตัดสินขึ้นอยู่กับความสว่างเท่านั้น (ภาพ ①)

• Chroma Mode: ความสว่างถูกตรึงไว้ที่ 0–255 การตัดสินขึ้นอยู่กับช่วงค่าสี (ภาพ ②)

ด้วยเหตุนี้ แม้สีจะผิดเพี้ยนไปเพียงเล็กน้อย วิศวกรก็จำเป็นต้องปรับแต่งสิ่งต่อไปนี้อย่างต่อเนื่อง:

• ช่วงความสว่าง

• ขอบเขต RGB

• เกณฑ์อัตราส่วนพิกเซล

➡️ TOC ขาดความสามารถในการปรับใช้ทั่วไป (generalization) — ทุกครั้งที่เปลี่ยนผลิตภัณฑ์ต้องสร้างโมเดลใหม่ทั้งหมด

จุดบกพร่องที่ 2: สีของของเสียแตกต่างกันอย่างมากในแต่ละกระบวนการ

ของเสียชนิดเดียวกัน เช่น "บัดกรีไม่เพียงพอ" จะแสดงลักษณะสีที่แตกต่างกันโดยสิ้นเชิงขึ้นอยู่กับขั้นตอนในกระบวนการ:

• บัดกรีไม่เพียงพอ ก่อนเข้าเตา reflow จะมีความสว่างมากกว่า

• บัดกรีไม่เพียงพอ หลังออกจากเตา reflow จะเข้มกว่าและเกิดการออกซิเดชัน

• แต่ละโรงงานใช้วัสดุต่างกัน (เช่น ครีมบัดกรีแบบล้างน้ำได้ เทียบกับ แบบไม่ต้องล้าง หรือ no-clean)

• ไม่สามารถสรุปเฉดสีทั้งหมดได้ด้วยรูปสามเหลี่ยมเพียงรูปเดียว

สิ่งนี้ทำให้ช่วง RGB ที่ตั้งไว้ล่วงหน้ามักไม่แม่นยำ ส่งผลให้เกิดปัญหาซ้ำซากของ False Positives (การตัดสินผิดพลาด/ของดีบอกเสีย) และ False Negatives (การตรวจจับหลุดรอด/ของเสียหลุด)

จุดบกพร่องที่ 3: ตรรกะระดับพิกเซลเดี่ยวละเลยลักษณะทางโครงสร้าง

อัลกอริทึมการสุ่มตัวอย่างสีจะตัดสินว่า พิกเซลเดี่ยว นั้นอยู่ในช่วงความสว่างและค่าสีมาตรฐานหรือไม่ อย่างไรก็ตาม ของเสียที่เกิดขึ้นจริงมีลักษณะเป็น "เชิงโครงสร้าง" ตัวอย่างเช่น ลักษณะของตะกั่วบัดกรีไม่เพียงพอประกอบด้วย:

• พื้นที่ลดลง

• รูปทรงผิดปกติ

• การสะท้อนแสงไม่สม่ำเสมอ

• พื้นผิวตะกั่วบัดกรีเสียรูป

TOC แบบดั้งเดิมละเลยลักษณะทางโครงสร้างเหล่านี้ และพึ่งพาเพียงสีของพิกเซล ทำให้ถูกรบกวนจากการสะท้อนแสงได้ง่าย บ่อยครั้งจึง ตัดสินเงาผิดเป็นตะกั่วบัดกรีไม่เพียงพอ หรือ ตัดสินพื้นผิวโลหะสะท้อนแสงผิดเป็นทองแดงเปิดโล่ง

ความก้าวหน้าของ AI: วิวัฒนาการจาก "การอิงตามสี" สู่ "ความเข้าใจเชิงภาพ"

ความก้าวหน้าสำคัญของ AI AOI คือการไม่พึ่งพาสีอีกต่อไป แต่ใช้ "ลักษณะเด่นทางภาพ" และ "โครงสร้างรูปร่าง" ของวัตถุโดยตรง โมเดล AI จะเรียนรู้:

• รูปทรง

• พื้นผิวสัมผัส (texture)

• มิติเรขาคณิตของชิ้นส่วน

• การกระจายตัวของส่วนนูนและส่วนเว้า

• ลักษณะโดยรวมของชิ้นงานตัวอย่างปกติ

นั่นหมายความว่า AI ยังคงตรวจจับลักษณะทางโครงสร้างของตะกั่วบัดกรีไม่เพียงพอ โพรงอากาศ และชิ้นส่วนสูญหายได้ แม้แสงจะสว่างขึ้นหรือมืดลงก็ตาม

• ไม่ต้องพึ่งพาสามเหลี่ยมค่าสี และ ไม่ต้องกำหนดขีดจำกัดความสว่าง

• การเปลี่ยนแปลงของแหล่งกำเนิดแสงจะไม่บีบให้วิศวกรต้องสร้างโมเดลใหม่อีกต่อไป

การเรียนรู้อัตโนมัติของ AI จาก Golden Sample

อัลกอริทึมการสุ่มตัวอย่างแบบดั้งเดิมกำหนดให้วิศวกรต้องระบุ: ช่วง RGB, ขีดจำกัดความสว่าง, เกณฑ์สัดส่วน และขนาด ROI

ในทางตรงกันข้าม AI AOI ต้องการเพียงภาพ "Golden Sample" เพียงภาพเดียว จากนั้น AI จะสร้างโมเดลมาตรฐานขึ้นโดยอัตโนมัติ

ระบบจะเรียนรู้สิ่งเหล่านี้โดยอัตโนมัติ: รูปทรงของพื้นผิวบัดกรี, พื้นผิวสัมผัสของจุดบัดกรีปกติ, รูปทรงเรขาคณิตของชิ้นส่วน, ลักษณะแสงและเงา ตลอดจนความแตกต่างของวัสดุซับสเตรต

• ขจัดความจำเป็นในการตั้งค่าพารามิเตอร์นับสิบค่า

• เมื่อกระบวนการเปลี่ยน ไม่จำเป็นต้องตั้งค่าใหม่ทั้งหมดตั้งแต่ต้น

การตัดสินของเสียก้าวข้ามจาก "พิกเซล" ไปสู่ "โครงสร้าง" 

ตรรกะการตรวจจับของ AI ครอบคลุมถึง:

• การตัดสิน ความสมบูรณ์ของพื้นผิวบัดกรี

• การตัดสิน ความผิดปกติของขนาดพื้นที่

• การตัดสินว่า ชิ้นส่วนมีการเลื่อนตำแหน่งหรือไม่

• การตัดสินว่ามี สิ่งแปลกปลอมหรือไม่

• การตัดสินว่า พื้นผิวสัมผัสเป็นปกติหรือไม่

• การตัดสินว่าข้อบกพร่องนั้นสอดคล้องกับ สัณฐานวิทยาจริง ของ "ชิ้นส่วนผิด" หรือ "ชิ้นส่วนสูญหาย" หรือไม่

ความเสถียรนี้ทำให้ AI เหนือกว่าอัลกอริทึมการสุ่มตัวอย่างอย่างชัดเจนในการตรวจจับตะกั่วบัดกรีไม่เพียงพอ, ฟองอากาศ, ชิ้นส่วนยกตัว (tombstone/flip), การขยับเลื่อนตำแหน่ง, ชิ้นส่วนสูญหาย, รอยร้าวในจุดบัดกรี และชิ้นส่วนผิดประเภท

สรุปความแตกต่างที่สำคัญ 

อัลกอริทึมการสุ่มตัวอย่างสีเคยมีความสำคัญอย่างยิ่งในอดีต ซึ่งช่วยผลักดันให้เกิดการนำ AOI มาใช้งานในยุคแรก อย่างไรก็ตาม เมื่อกระบวนการและวัสดุในสายการผลิต SMT/PCBA มีความซับซ้อนยิ่งขึ้น "การตัดสินของเสียโดยใช้สีเพียงอย่างเดียว" จึงไม่ตอบโจทย์ข้อกำหนดด้านคุณภาพในปัจจุบันอีกต่อไป

แก่นแท้ของ AI คือการยกระดับ AOI จากการ "อิงตามสี" ไปสู่การ "อิงตามความเข้าใจเชิงภาพ"

ซึ่งให้ผลลัพธ์คือ:

• ไม่ต้องพึ่งพาความสม่ำเสมอของแหล่งกำเนิดแสง

• ไม่ต้องตั้งค่าพารามิเตอร์ด้วยมืออย่างซับซ้อน

• ขีดความสามารถในการปรับใช้ทั่วไปที่แข็งแกร่งกว่า

• ความเสถียร ความแม่นยำ และการควบคุมกระบวนการที่เหนือกว่า

พร้อมที่จะอัปเกรดระบบ AOI ของคุณแล้วหรือยัง?

ดูว่า AOI พลัง AI ของ DaoAI ช่วยลดของเสียหลอก ประหยัดเวลาการเขียนโปรแกรมลงอย่างมหาศาล และคืนทุนได้อย่างไร