Sep, 2023

通过焊膏检查特征上的数据中心机器学习来检测 PCB 制造缺陷

PDF
TL;DR使用印刷电路板制造中的焊膏检测与自动光学检测机器自动检测缺陷可以提高运营效率并显著减少人工干预的需求。本文使用提取的 600 万个引脚的焊膏检测特征，展示了一种基于数据的方法来训练机器学习模型，以便在印刷电路板制造的三个阶段检测缺陷。这些 600 万个 PCB 引脚对应着 15387 个 PCB 中的 200 万个元件。我们使用基于梯度提升的机器学习模型迭代数据预处理步骤以提高检测性能。通过使用元件和 PCB ID 的引脚级焊膏检测特征，我们还在元件和 PCB 级别上开发了培训实例。这使得机器学习模型能够捕捉到可能在引脚级别不明显的引脚间、元件间或空间效应。我们在引脚、元件和 PCB 级别上训练模型，并将来自不同模型的检测结果组合起来识别有缺陷的元件。
发现论文，激发创造
  • 一份 PCB 缺陷检测和分类数据集

    本文提出了一种基于参考点的检测方法和一种卷积神经网络对缺陷进行分类的方式，并公开了一个包含 6 种缺陷的综合 PCB 数据集，该方法在数据集上表现出强大的性能。

    Jan, 2019

  • 利用多视角数据提高检测性能：一个工业应用案例

    本文提出了一种多视图目标检测框架，通过使用一个新颖的多视图数据集训练目标检测模型，并开发了多视图推理方法，可以在检测尺寸从 0.5 到 27.0mm 的元件方面提高 15％性能，大大节约地面真实数据标注的资源。

    Apr, 2023

  • 应用机器学习模型预测器件电气性能的度量数据分析

    摘要：本研究使用了 imec N14 BEOL 工艺流程以及 LELE 图案技术，在半导体设备制造中分析和控制叠加误差，研究其对电容的影响，并探索在早期阶段使用机器学习模型预测最终电容测量结果的方法。

    Nov, 2023

  • 提高计算机视觉制造缺陷检测鲁棒性的一种新策略

    本研究探讨利用深度学习技术进行视觉品质检测问题，针对工业制造中数据重复性高的情况，提出通过学习数据中的特定缺陷类型来训练检测模型，从而使其更能检测出在新情况下出现的缺陷。同时，研究对泛化的影响，以训练在更广泛的条件下工作的模型。

    May, 2023

  • 基于少量数据学习的表面缺陷检测人机知识混合增强方法

    本文提出了一种人机知识混合增强方法，用于从头开始积累少量数据，并将其作为先验知识提供给模型进行少数据学习，进而在工业缺陷检测中取得了可行性和有效性的进展。

    Apr, 2023

  • 利用低质量 X 射线摄影术、通过模拟进行的合成 X 射线数据增强，以及机器学习自动检测铝合金压铸材料和纤维金属层压板中的隐藏损伤和杂质

    使用 X 射线单投影和多投影（CT）图像进行自动损伤和缺陷检测的基于数据驱动建模的方法和挑战，主要包括数据和特征的变异性，数据特征标注（用于监督机器学习），以及缺乏地面实况数据等。

    Nov, 2023

  • 无监督与监督学习相结合的显微镜技术实现对整片 4H-SiC 晶片缺陷分析

    通过融合各种图像分析和数据挖掘技术，我们在这项工作中创建了一个强大且准确的自动化图像分析流水线，用于提取显微图像中 KOH 刻蚀的 4H-SiC 晶片的所有缺陷的类型和位置。

    Feb, 2024

  • 金属增材制造的机器学习：使用基于物理学的神经网络预测温度和熔池流体力学

    结合机器学习和物理原理，利用少量标记数据，成功预测了 3D 金属添加制造中的温度和熔池动态。

    Jul, 2020

  • 基于图神经网络的增材制造现场异常检测

    本研究使用激光输入信息训练模型，预测名义激光熔化条件并计算异常得分以检测制造缺陷，显示异常检测方法是开发可靠的缺陷检测方法的重要工具。

    May, 2023

  • 一种自动机器学习方法用于喷墨打印组件分析：迈向智能添加制造的一步

    本研究提出了一种基于机器学习的架构，用于对柔性基板上喷墨打印的元件进行微波表征。通过使用多个机器学习算法并自动选择最佳算法来提取材料参数（墨水电导率和介电性能），并利用喷墨打印共面波导（CPW）材料参数与电磁仿真传播常数之间的相互依赖关系训练机器学习模型，然后利用这些机器学习模型和测得的传播常数提取测试样机的墨水电导率和介电性能，最后通过比较四种启发式机器学习模型，证明了 eXtreme Gradient Boosted Trees Regressor（XGB）和 Light Gradient Boosting（LGB）算法在研究中的表征问题中表现最佳。

    Apr, 2024