基于以数据为中心的机器学习利用焊膏检测特征检测 PCB 制造缺陷
机器学习
2023-09-07 v1 人工智能
计算机视觉与模式识别
机器人学
摘要
利用焊膏检测（SPI）和自动光学检测（AOI）设备对印刷电路板（PCB）制造中的缺陷进行自动检测，有助于提升运营效率并显著减少人工干预需求。本文使用来自 600 万引脚的 SPI 提取特征，展示了一种以数据为中心的方法来训练机器学习（ML）模型，以在 PCB 制造的三个阶段检测 PCB 缺陷。这 600 万 PCB 引脚对应于属于 15,387 块 PCB 的 200 万个元器件。使用基础极端梯度提升（XGBoost）ML 模型，我们对数据预处理步骤进行迭代以改进检测性能。利用元器件和 PCB 的 ID 组合引脚级 SPI 特征，我们还在元器件级和 PCB 级构建了训练样本。这使得 ML 模型能够捕捉引脚级可能不明显的任何引脚间、元器件间或空间效应。模型在引脚级、元器件级和 PCB 级分别训练，并将不同模型的检测结果进行组合以识别缺陷元器件。
引用
@article{arxiv.2309.03113,
title = {Detecting Manufacturing Defects in PCBs via Data-Centric Machine Learning on Solder Paste Inspection Features},
author = {Jubilee Prasad-Rao and Roohollah Heidary and Jesse Williams},
journal= {arXiv preprint arXiv:2309.03113},
year = {2023}
}