Tối ưu hóa dây chuyền sản xuất mạch in sử dụng trí tuệ nhân tạo và thị giác máy

BÁn m¿ch in PCB

Thá giác máy tính (Computer vision) là mát trong những lĩnh vực quan trãng nhÃt cÿa ngành khoa hãc máy tính gồm các ph°¡ng pháp thu nhận, xā lý Ánh sá, phân tích và nhận d¿ng các hình Ánh dữ liáu đa chiÁu tÿ th¿ giới thực để cho ra các thông tin sá hoặc biểu t°ÿng, ví dā nh° Ánh chāp cái gì, đái t°ÿng trong Ánh là gì/làm gì/ở đâu hoặc đ°a ra đ°ÿc các k¿t luận/quy¿t đánh. Đây là mát trong những kĩ thuật trích chãn đặc tr°ng Ánh hiáu quÁ nhÃt hián nay sā dāng trong thá giác máy và xā lý hình Ánh đ°ÿc dùng để nhận d¿ng đái t°ÿng, khớp hình Ánh, hay áp dāng cho các bài toán phân lo¿i& Thuật toán SIFT cho phép tìm ra các điểm đặc tr°ng bÃt bi¿n ngay cÁ khi xoay Ánh, co gión Ánh, thay đổi gúc nhỡn, Ánh nhiòu vàc°ờng đỏ sỏng cÿa Ánhbá thay đổi.

ThuÁt toán contour

ĐiÁu kiỏn dÿng cÿa ph°Ăng phỏp Square Tracing khi thòa món mỏt trong hai điÁu kián sau: Di chuyển vào điểm Ánh bát đầu lần thā 2 sau khi đi qua n điểm Ánh khác hoặc di chuyển vào điểm Ánh bắt đầu lần thā 2 sau khi đi qua n điểm Ánh khác và theo đúng h°ớng đi vào điểm Ánhbắt đầu lần đầu tiên, điÁu kián này còn đ°ÿc gãi là tiêu chí dÿng Jacob [21]. Ph°¡ng pháp Radial Sweep [21] Cũng giáng với Moore – Neighbor Tracking, sau khi gặp điểm Ánh có giá trá bằng 1 đầu tiên (điểm Ánh start), ta sẽ quay l¿i điểm Ánh tr°ớc đó và đi vòng theo chiÁu kim đồng hồ cho tới khi gặp điểm Ánh có giá trá bằng 1 ti¿p theo, lúc này Radial Sweep sẽ không thực hián nh° Moore-Neighbor Tracking, mà thay vào đó, nó t¿o ra mát đo¿n thẳng Áo nái điểm Ánh hián t¿i với điểm Ánh có giá trá bằng 1 đã đi qua gần nhÃt. • Convolution layer - lớp tích chập: Đây là lớp cực kì quan trãng trong m¿ng CNN, nó thực hián mãi phép toán để trích xuÃt các đặc tr°ng tính năng tÿ hình Ánh đầu vào, duy trì mái quan há giữa các điểm Ánh bằng cách tìm hiểu các tớnh năng hỡnh Ánh bằng cỏch sā dāng cỏc ụ vuụng nhò cÿa dữ liỏu đầu vào thụng qua viác nhân chập ma trận Ánh với mát bá lãc (filter), bá lãc sẽ tr°ÿt trên toàn bá bāc Ánh đầu vào theo trình tự tÿ trái sang phÁi tÿ trên xuáng d°ới, k¿t quÁ cÿa phép nhân chập cho ta mát ma trận gãi là feature map hình 2.15.

T¿i mòi ụ (grid cell) sẽ cú trỏch nhiỏm dự đoỏn mỏt sỏ l°ÿng B bounding boxes có kích th°ớc khác nhau để bao phÿ các đái t°ÿng cần xác đánh trong hình và phõn phỏi xỏc suÃt cÿa C classes cÿa bài toỏn. y) là các tãa đá đ¿i dián cho tâm cÿa bounding box, liên quan đ¿n vá trí ô, (w, h) lần l°ÿt là các kích th°ớc chiÁu ráng và chiÁu cao cÿa box.

TiÁn xÿ lý

Ph°¡ng pháp so sánh mẫu (template matching) là mát trong những thuật toán cực kì hiáu quÁ trong viác phát hián đái t°ÿng trong Ánh mà Ánh chāp ít có sự thay đổi vì vậy nó rÃt phù hÿp với đÁ tài āng dāng cÿa tôi, với viác xác đánh linh kián trên bo m¿ch in (PCB) trong dây truyÁn sÁn xuÃt công nghiáp, thi¿t bá đ°ÿc vận hành tự đáng và c¡ cÃu gần nh° chính xác viác chāp các hình Ánh trong các điÁu kián đ°ÿc ràng buác cā thể đ°ÿc cài đặt tÿ tr°ớc trở thành bài toán lý t°ởng cho thuật toán template matching. Trong ph°¡ng pháp ti¿p cận này, tôi xác đánh vá trí linh kián trên bo m¿ch in PCB bằng cách so sánh Ánh để tìm ra các điểm khác nhau giữa hai hình Ánh, bằng viác áp dāng thuật toán XOR k¿t hÿp với thuật toán hãc không giám sát phân cām K-means clustering& Phép toán XOR cho ta đầu ra giá trá là 1 khi hai đầu vào khác nhau và giá trá 0 khi hai đầu vào có giá trá giáng nhau bÁng 3.1.

GiÁi pháp sÿ dāng mô hình YOLO

Để giÁm thiểu lòi khoanh vựng linh kiỏn quỏ đà tụi tớnh toỏn và ỏp dāng mỏt ng°ỡng vÁ diỏn tớch cỏc điểm Ánh (điểm Ánh) để lo¿i bò cỏc khoanh vựng nhiòu trờn hỡnh Ánh. 10: Phương pháp XOR kết hợp K-means clustering a) XOR hình Ánh, b) K-means clustering, c) Ành binary, d) Kết quÁ. Sau khi hoàn tÃt viác gán nhãn cho toàn bá các linh kián trên bÁn m¿ch in trong hai tập training và validation ta sẽ thu đ°ÿc mát file d°ới d¿ng text có đánh d¿ng nh° hình 3.13, trong file này sẽ gồm các thông tin cÿa các class và tãa đá x1, y1, x2, y2 cÿa khung hình bao các linh kián đ°ÿc gán nhãn.

Xõy dựng hò thòng Visi on

Để ti¿n hành đánh giá các bÁn m¿ch sẽ đ°ÿc di chuyển trên băng tÁi và đ°ÿc đặt vào vá trí bàn kiểm tra (fix stage) trong buồng kiểm tra t¿i đây bÁn m¿ch đ°ÿc cỏ đỏnh và chiểu sỏng bởi hỏ thỏng hai đốn led đó đ°ÿc điÁu chònh đỏ chi¿u sỏng phù hÿp. Trong nghiên cāu này tôi ti¿n hành kiểm tra đánh giá các ph°¡ng pháp đÁ xuÃt dựa trên 6 lo¿i bÁn m¿ch PCB khác nhau hình 4.2.

K¿t quÁ đánh giá Template matching

Để ti¿n hành đánh giá các bÁn m¿ch sẽ đ°ÿc di chuyển trên băng tÁi và đ°ÿc đặt vào vá trí bàn kiểm tra (fix stage) trong buồng kiểm tra t¿i đây bÁn m¿ch đ°ÿc cỏ đỏnh và chiểu sỏng bởi hỏ thỏng hai đốn led đó đ°ÿc điÁu chònh đỏ chi¿u sỏng phù hÿp. Ti¿p theo camera sẽ chāp và gāi hình Ánh vÁ máy tính để xā lý. Trong nghiên cāu này tôi ti¿n hành kiểm tra đánh giá các ph°¡ng pháp đÁ xuÃt dựa trên 6 lo¿i bÁn m¿ch PCB khác nhau hình 4.2. K¿t quÁ đánh giá. thÿ công các hình Ánh mẫu cho tÿng linh kián cÿa tÿng bÁn m¿ch, nghĩa là khi có mát lo¿i bÁn m¿ch mới thì tôi cần xây dựng l¿i bá dữ liáu mẫu cho lo¿i m¿ch đó. 3: Áp dụng template matching. 1: Kết quÁ phương pháp Template matching. Ph¤¢ng pháp XOR k¿t hÿp K-means Clustering. Với ý t°ởng sā dāng ph°¡ng pháp XOR hai hình Ánh k¿t hÿp thuật toán hãc không giám sát K-means clustering để phân cām hình Ánh dựa trên màu sắc để xác đánh các vùng Ánh sai khác giữa hai bāc Ánh qua đó xác đánh đ°ÿc vá trí linh kián thi¿u hoặc sai trên bo m¿ch PCB hình 4.4. Ph°¡ng pháp này có °u điểm không cần t¿o bá dữ liáu nh°ng đá chính xác không cao do thuật toán contour bắt. không chính xác khi mật đá linh kián tăng cao bÁng 4.2. 2: Kết quÁ phương pháp Xor kết hợp K-mean clustering. 4: Áp dụng thuật toán XOR kết hợp K-Means clustering a) XOR hình Ánh, b) K-means clustering, c) Ành binary, d) Kết quÁ Ph¤¢ng pháp YOLO. Trong thời gian tới với ki¿n thāc đã hãc đ°ÿc tôi sẽ ti¿p tāc tìm hiểu thêm các thuật toán khác nh° thuật toán hãc sâu Fast RCNN hay RetineNet để so sánh đánh giá k¿t quÁ đ°ÿc tổng quan h¡n, thêm vào đó trong luận văn này tôi mới dÿng l¿i ở viác phát hián linh kián trên bÁn m¿ch in, trong t°¡ng lai tôi muán ti¿p tāc nghiên cāu để có thể phát hián thêm cÁ các đ°ờng pad trên bÁn m¿ch giúp cÁi thián h¡n nữa quá trình kiểm tra chÃt l°ÿng bÁn m¿ch đ°ÿc tát nhÃt.