Fim

Scientific Reports volume 12, Artigo número: 12559 (2022) Citar este artigo

5850 Acessos

12 citações

14 Altmétrico

Detalhes das métricas

Relatamos uma estrutura completa de aprendizado profundo usando um modelo de detecção de objetos de etapa única para detectar e classificar com rapidez e precisão os tipos de defeitos de fabricação presentes em placas de circuito impresso (PCBs). Descrevemos a arquitetura completa do modelo e comparamos com o estado da arte atual usando o mesmo conjunto de dados de defeitos de PCB. Esses métodos de benchmark incluem a Rede Neural Convolucional Baseada em Região Mais Rápida (FRCNN) com ResNet50, RetinaNet e You-Only-Look-Once (YOLO) para detecção e identificação de defeitos. Os resultados mostram que nosso método atinge uma precisão média média de 98,1% (mAP[IoU = 0,5]) nas amostras de teste usando imagens de baixa resolução. Isso é 3,2% melhor do que o estado da arte usando imagens de baixa resolução (YOLO V5m) e 1,4% melhor do que o estado da arte usando imagens de alta resolução (FRCNN-ResNet FPN). Ao mesmo tempo que alcança melhores precisões, nosso modelo também requer aproximadamente 3x menos parâmetros de modelo (7,02M) em comparação com o FRCNN-ResNet FPN de última geração (23,59M) e YOLO V5m (20,08M). Na maioria dos casos, o principal gargalo da cadeia de fabricação de PCBs é o controle de qualidade, testes de confiabilidade e retrabalho manual de PCBs defeituosos. Com base nos resultados iniciais, acreditamos firmemente que a implementação deste modelo em uma linha de fabricação de PCB poderia aumentar significativamente o rendimento e o rendimento da produção, ao mesmo tempo que reduziria drasticamente os custos de fabricação.

As placas de circuito impresso (PCBs) são a base de suporte da maioria dos produtos eletrônicos. Geralmente são feitos de fibra de vidro e compósitos epóxis com materiais laminados1. Qualquer defeito de fabricação no nível do PCB pode levar a falhas fatais no nível do produto. Assim, os PCBs devem ser fabricados com o mais alto grau de precisão para garantir uma operação ideal e confiabilidade do produto. Com a crescente demanda mundial por produtos eletrônicos, é essencial detectar defeitos de fabricação com eficiência e precisão. Como parte da revolução da Indústria 4.0, novas tecnologias orientadas por dados e aprendizagem automática podem ser implementadas para melhorar a qualidade de produtos e processos2. O paradigma Zero Defect Manufacturing (ZDM) também visa melhorar a sustentabilidade da produção, aproveitando métodos baseados em dados para garantir que nenhum produto defeituoso passe pelo processo de produção3. A abordagem combina detecção, reparo, previsão e prevenção4. Embora os métodos tradicionais de melhoria da qualidade (MQ) se concentrem na detecção-reparação, as indústrias transformadoras migram agora para um paradigma de previsão-prevenção utilizando métodos baseados em dados para prever defeitos de fabrico5. A indústria de PCB investe maciçamente para treinar e manter uma grande força de trabalho dedicada à inspeção de qualidade utilizando ferramentas de inspeção tradicionais6. Este processo muitas vezes leva a uma latência indesejada no processo de fabricação. Além disso, inspecionar fisicamente as peças é caro e árduo. Assim, a maioria das empresas fabricantes depende da inspeção de lotes. No entanto, a inspeção de lotes não permite que os fabricantes cumpram o princípio ZDM de zero defeitos no final do processo de fabricação. Com a crescente importância da customização de produtos, há um aumento nas taxas de defeitos devido aos tamanhos menores dos lotes de produção7. Na Metrologia Virtual (VM), um subcampo do ZDM, os métodos baseados em dados ajudam a estimar e prever a qualidade de um produto8. Esses métodos aproveitam métricas de qualidade de baixo custo para derivar métricas mais complexas e alcançar uma melhoria significativa na eficiência de custos8. Técnicas emergentes de visão computacional baseadas em aprendizado de máquina ajudaram os pesquisadores a aplicar a Metrologia Virtual à inspeção de qualidade9

Diferentes tipos de defeitos no padrão do cobre podem afetar os PCBs. Podem ser defeitos fatais, tornando imediatamente o dispositivo inoperante. Também podem ser potenciais defeitos, prejudicando o desempenho do dispositivo e reduzindo sua vida útil10. Durante os processos de gravação e galvanização, anomalias podem resultar em excesso ou falta de cobre. Além disso, um processo incompleto pode resultar na deposição indesejada de materiais condutores e formar defeitos como curtos ou esporas. Por outro lado, o processamento excessivo pode levar à falta de furos, circuitos abertos e mordidas de rato. Ferramentas defeituosas também podem produzir furos faltantes. O tempo incorreto pode levar a registros mecânicos incorretos, contaminação por sujeira ou bolhas de ar provenientes da eletrólise presentes em placas PCB nuas. A literatura fornece um extenso resumo dos defeitos de fabricação de PCB mais comuns e suas origens11.