新聞傳出，光刻機巨頭荷蘭LSML公司已成功設計出1nm光刻機工藝，并且2022年可以量產。我們都知道，光刻機是制造芯片必需的設備，也是目前人類能掌握的的技術！臺積電和三星都具備了量產5nm芯片的實力，而這正是因為得到了ASML的EUV光刻機的支持，否則它們的制造技術也只是紙上談兵。
光刻機是用來制作芯片的，而芯片的用武之地，就是電子行業。隨著消費者對電子產品的輕薄度越來越看重，其所需產品零件也要求越做越小。除了要求前端技術不斷更新迭代，也必須要求后端的生產加工環節實現自動化，無人化。
再加上對制造成本效益要求的提高，各企業都在加緊部署智能制造。因此機器視覺在電子硬件制造行業的應用變得十分重要且廣泛。
但是還有一些應用，特別是半導體和移動設備行業，由于其復雜性和編程成本使得難以實現自動化。對于這些情況，通常還是會聘用人類檢查員作為一種折中方案來處理涉及各種零件、部件和場景的判斷式決策。但人類檢查員效率低，且疲勞時易產生錯誤，而大量使用人工對于企業來說也是很大的成本支出。
出于這些原因，越來越多的電子產品制造商開始尋找能將人類思想的靈活性與計算機的穩定性結合的檢測解決方案，以獲得快速且高度可靠的檢測結果。因此深度學習解決方案應運而生。
康耐視VIDI深度學習解決方案可謂給電子行業的檢測、條碼讀取和分類任務帶來了革命性的變化，現在就跟著我們一起來了解它的神奇之處！
功能一：探測細微缺陷
裝配的印刷電路板 (PCB) 需要精密焊接組件才能保證電流的正常流動。極小的缺陷也可能造成干擾和故障。因此缺陷探測有非常關鍵的意義。傳統焊接質量的視覺檢測往往會因為焊接過程的眩光影響成像質量，從而造成軟件的誤判。
自動化檢測系統即使在苛刻的圖像質量條件下也不會被零件間的明顯差異（例如過焊和焊接不足）影響?？的鸵暽疃葘W習解決方案能夠固定目標檢測區域并檢查零件之間有很大差異的焊縫，無需使用耗時、繁瑣甚至無法實現的規則式編程。
VIDI深度學習缺陷探測工具使用有代表性的“好”（即，合格）和“差”（不合格）標記圖像進行訓練后，可學習識別各種焊接缺陷?？的鸵暽疃葘W習解決方案可根據這些圖像建立焊縫正常外觀的參考模型，并避免受到成像問題和眩光造成的外觀差異的影響。
功能二：識別嚴重變形的光學字符
和電子組件及模塊上印刷的字母數字字符類似，芯片上印刷的序列號也容易產生變形、歪斜和蝕刻質量差等問題。這些特征給傳統 OCR 工具帶來了極大的挑戰，因為它們需要學習大量的字體和字符及其相應的各種外觀。
即使是好的工具——允許用戶一步完成整個字符串的訓練、刪除單個字符、學習同一字符的多個實例、以及將訓練的字體載入或保存到新應用程序中，也非常費時，而且還可能仍然無法識別變形嚴重的字符。
深度學習工具使用預先訓練的庫識別和驗證字符，即使它們的外觀發生變化也沒有問題，所以測試和驗證期間只需要在系統中對缺失的字符進行重新訓練即可。這使檢測系統有更好的開箱即用準確性，并且能程度地減少了因重新訓練而導致的停機時間。
功能三：靈活正確的裝配驗證
裝配驗證因為要考慮很多組件，所以是一種非常難以自動化的應用。這些組件都需要驗證，例如是否存在、安裝正確、以及朝向。這些檢測可能是二維或三維的，具體取決于子組件。
PCB 的裝配驗證就是一個典型示例，它上面有 LED、微處理器、以及焊接在上面的其他表面安裝設備。檢測系統負責檢查缺失的組件以及可能未正確放置的零件，因為這種錯誤可能會影響 PCB 的性能和壽命。
雖然機器視覺系統可以針對多個目標檢測區域進行訓練并學習識別各個組件，但是燈光對比度、視角和方向的變化或眩光造成的外觀差異仍然會困擾系統。高度集成的 PCB 更是如此，其組件非常緊密，機器視覺系統可能難以區分各個組件，導致它無法正確地完成檢測。雖然人類檢測員可以區分各個組件，但他們完全無法滿足高吞吐量的需求。
使用規則式算法編程這些檢測非常費時而且容易出錯，更不用說現場維護極為困難。幸運的是，康耐視深度學習解決方案不但可以媲美人類的靈活性、分辨能力和判斷力，而且有計算機的速度和穩定性。
使用一系列標記的參考范例進行訓練后，這種工具即可構造出裝配完成的 PCB 板的參考模型。該模型可以根據組件的一般大小、形狀和特征來識別它們，即使它們的外觀在檢測過程中肯定會發生變化，康耐視深度學習解決方案也能預測它們在電路板上的位置。檢測時，深度學習解決方案可以識別多個目標檢測區域以定位、統計和檢查組件，確保它們存在并且裝配正確。
功能四：自動分類
機器視覺有其固有的限制，包括分類能力。這在電子應用中會成為負擔，因為某些組件需要在識別后分成多個類，且檢測系統不能受到某些視覺差異的影響。
電容器就是組件隨類型（陶瓷和電氣）及尺寸（大和?。┖皖伾ń鹕头墙鹕┳兓牡湫头独?。需要分選電容器的制造商要解決一個困難的任務，就是識別一張圖像中的多個分類——例如黑色標記的金色陶瓷電容器或藍色標記的金色電氣電容器。檢測系統要能根據制造商的標準分選組件，從而按顏色和標記區分電容器，同時忽略其他標準。
要自動完成這個任務，檢測應用工程師就必須使用深度學習。對在監督模式下運行的深度學習軟件進行訓練后，不但可以檢測選定的特征配組（例如金色和電氣電容器），還能區分各個電容器的單個特征（金色、黑色或藍色標記），同時忽略同一類型的其他差異?？的鸵暽疃葘W習解決方案可以準確地分類和分選一張圖像中某種組件的多個類型——相對機器視覺來說這是一個巨大的優勢。
自動化生產流程和提高質量是電子行業的兩個的需求，但是某些應用對于規則式算法來說過于復雜和耗時。
VIDI深度學習解決方案利用圖像分析人工智能的力量，解決了元件定位、外觀檢測、分類和字符識別相關的電子應用難題。
