MIRTEC、productronica 2021で自動車用ピン検査ソリューションの全製品を展示

Jul 30, 2023

読書時間（単語数）

MIRTEC は、2021 年の productronica 展示会のホール A2 のブース #461 で、最先端の INTELLI-PRO AI ベースのスマート ファクトリー オートメーション ソリューションと GENSYS-PIN 自動車ピン検査システムを展示します。 電子製造業界向けの世界最大の展示会は、2021年11月16日から19日までドイツのメッセ・ミュンヘン展示ホールで開催されます。

「業界がスマートファクトリーを実現するために人工知能を製品に統合し始めてからしばらく時間が経ちました。」 MIRTECドイツ社長のホルガー・ハンスマン氏はこう述べた。 「この分野における AI 開発のパイオニアの 1 つとして、MIRTEC は最近、包括的な AI ベースのスマート ファクトリー オートメーション ソリューション「INTELLI-PRO」をリリースしました。 この技術的に高度なソフトウェアおよびアルゴリズム パッケージは、MIRTEC の AOI マシンの全製品ラインのパフォーマンスと利便性を向上させる目的で特別に設計されています。 INTELLI-PROは、独自の深層学習ベースの自動部品検索およびティーチング機能とAIベースで構成されています。 自動パラメータ最適化、文字認識 (OCR)、異物検出 (FOD)、配置検査アルゴリズム、および欠陥タイプの自動分類機能。

INTELLI-PRO は AI ベースの検査プロセスを完璧にします

インテリプロの検査プロセスには、準備段階、検査段階、検査後段階の 3 つの段階があります。

準備段階では、AOI マシンを実行するためにティーチングとデバッグが必要です。 MIRTEC のディープラーニング自動マッチング & ティーチング ツールは、PCB 上の適切な部品タイプ、サイズ、その他の情報を部品ライブラリから検索します。 次に、事前にプログラムされた検査アルゴリズムとパラメータを使用して、部品に検査ウィンドウを自動的に配置します。 ユーザーは準備段階から作成したティーチングモデルをOptimum Inspection Tool(OIT)でデバッグ/最適化することができます。 ユーザーは、PCB 上で検査を実行し、結果を確認して部品が良品か欠陥品かを判断するだけです。 AIを応用したソフトウェアが最適なパラメータ値を提案します。 MIRTEC の調査によると、一般的な条件下で最適化された結果を得るには約 10 枚の PCB が必要です。 これら 2 つのソフトウェア ソリューションは、手動ティーチングと比較して約 90%、ディープラーニングを使用しない自動ティーチング ツールと比較して 50% のティーチング時間を短縮します。 OITは使いやすく高精度なので、初心者でも簡単に最適な検査レシピを作成できます。

検査段階では、MIRTEC の深層学習光学式文字認識 (OCR)、異物検出 (FOD)、および配置検査アルゴリズムにより、検査の品質と有効性が向上します。 一般に、OCR および FOD アルゴリズムは誤った呼び出しの影響を受けることがよくあります。 これらの品目の誤報率を減らすことができれば、検査プロセス中の全体的な誤報率が大幅に減少します。 MIRTEC は、深層学習を自社の OCR アルゴリズムに適用することに多大な投資を行ってきました。 ディープ ラーニング ベースのアプリケーションは、より多くのデータを利用できるという点で優れています。 ミルテックは長年の事業と研究を通じて、ディープラーニングのための文字画像や検査データを蓄積してきました。 ミルテックの文字認識率はAOIメーカーの中でもトップクラスです。 ミルテックのFODソリューションは、画像データを解析することで検出率を高めます。 ユーザーは画像上で異物がどのように見えるかを教えることができ、機械が異物を識別する方法を学習できるようになります。 MIRTEC の配置アルゴリズムも同様のプロセスに従います。 ユーザーは画像を「良好」または「欠陥」に分類できます。 機械が学習するため、検出率が向上します。

検査後の段階は、検査結果を検討して分類するプロセスです。 AOI が欠陥を発見すると、PCB は NG バッファに送られます。 オペレーターはレビューの結果、欠陥が本物であるか誤報であるかを判断できます。 MIRTEC の深層学習自動欠陥分類ツールは、それを変えることができます。 このソフトウェアは、NG PCB 上の欠陥が本当の欠陥なのか、それとも誤った判断なのかをユーザーに「提案」します。 ただし、ソフトウェアは検査データを蓄積するにつれて、実際の呼び出しと偽の呼び出しを識別できるようになります。 予測は時間の経過とともにより正確になります。 最終的に、約 6 か月の学習後、ソフトウェアはユーザーに「提案」するのではなく、欠陥を「判断」できるようになります。