供应商差异: 不同供应商采用的字符印刷/雕刻工艺、油墨/激光参数等存在差异,导致字符颜色深浅、粗细、对比度等不一致。
工艺波动: 同一供应商不同批次、不同生产条件下,字符印刷/雕刻质量也会存在波动。
环境干扰: 元器件表面灰尘、污渍、反光等环境因素也会影响字符图像的清晰度和识别难度。
检测标准单一
传统AOI系统: 通常采用基于规则的传统图像处理算法,依赖于预先设定的字符模板和固定阈值进行比对,难以适应字符图像的多样性和复杂性。
缺乏自适应能力: 无法根据不同的字符特征和图像质量动态调整识别参数,导致误判率居高不下。
解决方案:
针对上述问题,可以采用基于深度学习的OCR字符识别技术和自适应光源技术,提升AOI系统对字符图像的识别能力和适应性
优化算法-深度学习OCR算法
采用基于深度学习的OCR字符识别算法,例如神州视觉AOI搭载的先进算法,能够学习海量字符图像数据,自动提取字符特征,识别不同字体、大小、颜色、背景的字符,有效提升识别准确率。
自适应光源
根据不同元器件的字符印刷/雕刻工艺,自动调整光源角度、亮度、颜色等参数,优化字符图像的清晰度和对比度,为OCR识别提供高质量的图像输入。
问题描述:在AOI(自动光学检测)过程中,算法模型中的阈值设定与实际工艺标准不匹配,会导致以下问题
漏检: 阈值设置过松,导致部分严重缺陷无法被检测出来,存在质量隐患。
误报: 阈值设置过严,将一些轻微缺陷或正常波动误判为不良,增加人工复判工作量,降低生产效率。
举例说明: 以焊点偏移量检测为例,如果偏移量百分比阈值设置过严,可能会将一些轻微偏移但功能正常的焊点判定为不良;反之,如果阈值设置过松,则可能导致一些严重偏移的焊点漏检,影响产品可靠性。
原因剖析:造成上述问题的根本原因在于算法参数设定的合理性和算法本身的局限性
参数设定不合理
算法模型中的阈值参数设定缺乏科学依据,未结合实际工艺标准进行调整,导致检测结果与实际生产情况脱节。
算法局限性
单一算法难以满足各种元器件、各种缺陷类型的检测需求,难以兼顾检测精度和效率。
解决方案:
针对上述问题,可以采用分阶段调试算法和多种算法融合的策略,提升AOI系统的检测精度和适应性
分阶段调试算法
初始阶段: 适当降低阈值,提高缺陷检出率,避免漏检。
优化阶段: 逐步收紧阈值,通过大量样本数据验证和优化,减少误报,找到最佳平衡点。
采用多种算法
算法库: 例如神州视觉AOI采用40+种深度学习算法,构建了丰富的算法库。
精准匹配: 针对不同的元器件类型、不同的检测部位,选择最合适的算法进行检测,提高对复杂缺陷的检测精度。
2008-2015 © aleader.hk 东莞市神州视觉科技有限公司 版权所有 全国统一服务热线:400-1189-123 总部电话:0769-22629057 邮箱:Aoi@aleader.hk 粤ICP备09013186号-2