Upload
vuongkhue
View
220
Download
0
Embed Size (px)
Citation preview
UNIVERSIDADE FEDERAL DO AMAZONAS
Instituto de Ciências Exatas Departamento de Ciência da Computação
Manaus - AM
Inspeção Visual de Placas de Circuito Integrado com Alta Densidade de
Microcomponentes
Felipe Gomes de Oliveira
Felipe Gomes de Oliveira
Orientador: Dr. José Luiz de Souza Pio
Proposta de Projeto Final apresentada ao Departamento de Ciência da Computação do Instituto de Ciências Exatas – DCC-ICE-UFAM – como requisito parcial para obtenção do título de Bacharel em Ciência da Computação. Área de Concentração: [Visão Computacional]
UFAM - Manaus Março de 2008
Inspeção Visual de Placas de Circuito Integrado com Alta Densidade de
Microcomponentes
1 INTRODUÇÃO
1.1 Considerações iniciais
Na economia atual as indústrias têm como objetivo a competitividade de seus produtos,
tanto no cenário externo quanto no interno. Mas para alcançar tal competitividade é de
grande importância que as indústrias possam assegurar a qualidade de seus produtos
assim como o aumento da produtividade, tendo como meta principal o lucro [1, 2].
A produtividade nas empresas tem sofrido constantes melhorias com o auxilio de
áreas como informática, robótica, eletroeletrônica e mecatrônica, porém sem um
aumento proporcional no controle de qualidade dos produtos não haverão ganhos
significativos [3].
Nas indústrias brasileiras o controle de qualidade dos produtos realizados
atualmente é feito em sua maior parte de forma visual humana ou por testes funcionais
[2, 4]. Sendo assim a automatização do processo de inspeção de placas traria grandes
benefícios ao controle de qualidade, pois estudos revelam que, quando o homem exerce
tarefas de inspeção visual, os resultados podem ser influenciados por uma série de
fatores tais como: cansaço, tarefas repetitivas, excesso de tempo em uma mesma função.
Podendo então ocasionar inspeções errôneas [1, 4].
No Brasil os processos automatizados de controle de qualidade utilizados por
algumas grandes empresas montadoras de placas são adquiridos geralmente no exterior.
Tais empresas enfrentam uma série de dificuldades, como o suporte que deve ser dado
pelos desenvolvedores do sistema e os equipamentos sofisticados e caros. Com isso
empresas pequenas e médias encontram grandes dificuldades para adquirir as técnicas
de controle de qualidade [5, 6].
Este projeto trata da implementação de um sistema de detecção automática de
microcomponentes em placas de circuito impresso. A realização desse sistema garante o
aumento da produtividade e a flexibilidade do sistema de manufatura, uma vez que
dispensa o operador humano da enfadonha tarefa de inspeção visual e amplia a
capacidade de inspeção para todo o volume de produção.
1.2 Justificativa
Inspeções humanas apresentam índices de efetividade entre 80% e 90% mostrando-se
mais baixos após os primeiros trinta minutos de trabalho para inspeções de apenas um
tipo de defeito. Já os sistemas automatizados são capazes de verificar 100% do volume
produzido, sem interrupções e necessidade de diminuição da velocidade da linha de
montagem e acima de tudo de maneira consistente [7,8].
Inspeções por meio de visão de máquina tratam da garantia do controle de
qualidade da linha de montagem, acrescentando maior velocidade, qualidade e precisão
ao processo produtivo.
Tal sistema elevaria os níveis de qualidade da indústria de modo impossível de
se conseguir sem a automatização. Sendo os seus resultados almejados por qualquer
empresa que busque competitividade, tais como:
• Redução de desperdícios e aumento da lucratividade;
• Melhoria da qualidade dos produtos finais;
• Aumento da produtividade da empresa.
1.3 Objetivo
O objetivo principal deste projeto é o desenvolvimento de uma abordagem para a
identificação de microcomponentes, garantindo assim a velocidade, precisão e
flexibilidade do controle de qualidade dos produtos da empresa.
1.3.1 Objetivos específicos
Os objetivos específicos são:
• Formulação de uma abordagem que utilize toda a informação visual possível da
placa.
• Provê um sistema altamente confiável que possa trazer agilidade ao processo
produtivo.
• Realizar a detecção da ausência/presença de microcomponentes na superfície da
placa.
• Garantir a qualidade do produto final obtido pela linha de montagem da empresa.
1.4 Estrutura do Trabalho
Este trabalho está dividido em 6 capítulos. O Capítulo 2 apresenta a Fundamentação
Teórica adotada no trabalho. No Capítulo 3 são descritos os trabalhos relacionados. No
Capítulo 4 é apresentada a Descrição Metodológica do projeto, detalhando cada etapa
do processo de detecção da ausência/presença de componentes. O Capítulo 5 apresenta
os resultados obtidos a partir dos experimentos realizados. No Capítulo 6 são
apresentadas as conclusões e trabalhos futuros deste projeto.
2 FUNDAMENTAÇÃO TEÓRICA
O principal propósito da inspeção na linha de produção é determinar se a placa de
circuito impresso (PCI) está conforme as especificações desejadas. Contudo, existem
outros propósitos para a inspeção, sendo os mais importantes: distinguir lotes bons de
lotes ruins, distinguir indivíduos de produtos bons de indivíduos ruins, determinar se o
processo está variando, determinar se o processo está dentro dos limites de
especificação, avaliar a capacidade do processo, avaliar a eficiência dos inspetores de
qualidade, avaliar um instrumento de medição [9].
O tipo de inspeção mais utilizado atualmente é a humana, onde sabe-se que o ser
humano é sem dúvida o mais flexível e inteligente de todos os sistemas de inspeção.
Este possui habilidade de relembrar de vários detalhes dos critérios de inspeção,
perceber detalhes de cor e geometria e interpretar novas e imprevistas circunstâncias,
que são difíceis de serem alcançadas com qualquer tecnologia de software e hardware
atualmente, tal tipo inspeção pode ser observado na Figura 1.
Figura 1 – Inspeção visual convencional de placas motherboards.
Contudo, o elemento humano em um processo de inspeção contribui
significativamente para a geração de erros de inspeção. Os erros [9] de inspeção são de
várias categorias: erros técnicos (falta de capacidade para o cargo, falta de treinamento),
erros por inadvertência (distração, descuido, tédio) e erros conscientes (fraude).
Com isso a inspeção automática surge como uma das maiores soluções para este
tipo de problema garantindo melhorias na qualidade produtiva, aumento na produção e
consistência nas inspeções, trazendo mais benefícios à empresa que o detém e
conseqüentemente maior lucratividade como pode ser observado na Figura 2.
Figura 2 – Linha de produção com inspeção automatizada [7].
Com a adoção quase generalizada dos sistemas automatizados o setor industrial
norte-americano atingiu um faturamento anual próximo de US$ 7 bilhões no mundo
todo no decorrer do último ano. Ainda não há dados precisos para o Brasil, mas esse
valor foi estimado em US$ 50 milhões em 2001. A utilização de sistemas de visão de
máquina está totalmente alinhada a programas de qualidade total e são extremamente
importantes no atendimento de regulamentações como a QS-9000, por proporcionarem
100% de inspeção e permitirem total rastreabilidade dos produtos e componentes [7].
3 TRABALHOS RELACIONADOS
Borba e Facon (1996) desenvolveram um método de inspeção que mesmo sem prévio
conhecimento da placa e sem um padrão de referência, detecta a falta ou excesso de
cobre. Para a padronização de defeitos eles usaram três regras de inspeção. Segundo os
autores, a imagem em escala de cinza não é a melhor solução, por isso usaram o
conceito de binarização da imagem. Desde que a escala de cinza da imagem tenha uma
boa resolução a imagem binarizada é satisfatória e se houver algum ruído é fácil a sua
eliminação com filtros.
O sistema de captação da imagem em escala de cinza utilizado é composto por
uma caixa com uma fonte interna de luz e uma câmera captando a imagem. Nesta
configuração a câmera não cria sombras e não existem reflexos e todas as partes mais
importantes da placa podem ser capturadas com uma boa resolução de escala de cinza.
Como a abordagem é feita em uma placa nua e sem componentes não temos nenhuma
evidência de como se comportaria este sistema para detectar ausência ou presença de
componentes, uma vez, que o sistema de inspeção não utiliza um template para fazer
uma comparação com a imagem de teste captada.
O sistema desenvolvido por Acciani e Brunetti (2006) é baseado em um sistema
de inspeção ótico utilizando uma rede neural para detectar defeitos em terminais de
solda nas placas de circuito impresso. Neste sistema, cinco tipos de terminais de solda
são classificados em relação ao acúmulo de pasta de solda. As imagens das placas de
testes são capturadas e processadas para extrair a região de interesse do diagnóstico.
Três tipos de vetores de características são avaliados em cada região que são a
exploração das propriedades da onda, as características geométricas e o pré-
processamento das imagens. O desempenho de três diferentes classificadores que são o
perceptron multicamadas, o vetor de quantização linear e um classificador de vizinhança
são comparados para ajudar a selecionar a melhor arquitetura para os classificadores
neurais. Os resultados têm mostrado que a rede neural MLP (Multi-Layer Percepton) é
que tem a melhor taxa de reconhecimento. Esta técnica não é usada para determinar se
os componentes estão ausentes na placa.
4 DESCRIÇÃO METODOLÓGICA
Esta etapa tem como objetivo a apresentação da descrição metodológica utilizada nesse
trabalho, onde a mesma pode ser dividida em três etapas principais, como pode ser
observado na Figura 3. As etapas são:
• Aquisição da Imagem. • Pré-Processamento das Imagens. • Classificação Probabilística da presença/ausência de componentes.
Figura 3 – Esquematização da metodologia adotada.
4.1 Equipamentos e Programas Utilizados
Este projeto trata do desenvolvimento de um sistema de Inspeção Visual de Placas de
Circuito Integrado com Alta Densidade de Microcomponentes por meio de Visão de
Máquina com a finalidade de detectar a ausência/presença de componentes em placas de
circuito impresso, priorizando:
• O acompanhamento contínuo da linha de montagem;
• A garantia da qualidade do que está sendo produzido;
• Emissão de estatísticas e controle do processo produtivo.
A ferramenta utilizada para viabilizar o processo de detecção da
ausência/presença de microcomponentes em placas de circuito impresso foi o
MATLAB. O MATLAB foi adotado para o desenvolvimento deste projeto, pois é um
software interativo de alta performance voltado para o cálculo numérico e
processamento de imagens cujo elemento básico de informação é uma matriz que não
requer dimensionamento. O MATLAB integra análise numérica, cálculo com matrizes,
processamento de sinais e construção de gráficos.
O computador utilizado no projeto apresenta a seguinte configuração: Processador
Intel Celeron M 1.60 GHz, Memória RAM 512 MB, HD 60GB e Sistema Operacional
Microsoft Windows XP Professional Versão 2002 Service Pack 2.
4.2 Captura da Imagem
O esquema básico de captura das imagens da Placa de Circuito Impresso (PCI) pode se
dar por uma câmera do tipo CCD posicionada acima da placa a ser analisada, de forma a
capturar imagens planas que são processadas em um computador como pode ser visto
na Figura 4.
Figura 4 – Procedimento de Captura da Imagem.
Após o recebimento da imagem, a mesma será convertida em uma matriz, onde
cada posição da matriz equivalerá a um elemento da imagem com sua respectiva
representação de luminosidade, como pode ser observado na Figura 5.
Figura 5 – Representação matricial de uma imagem.
Com isso as imagens das placas de circuito que representam a Placa de
Referência (Imagem tomada como base para comparações) e a Placa Teste (Imagem de
uma placa da linha de montagem) são armazenadas e prontas para um processamento
posterior, tais imagens das placas são mostradas na Figura 6.
Figura 6 – Imagens capturadas das Placas Referência e Teste respectivamente.
4.3 Registro da Imagem
O Registro da Imagem é um processo de alinhamento de duas ou mais imagens de
mesmo cenário. Tipicamente, uma imagem, chamada de imagem base ou imagem
referência, é considerada a referência para as outras imagens, chamadas de imagens de
teste, com as quais são comparadas. O objetivo do Registro da Imagem é alinhar a
imagem de teste com a imagem base aplicando uma transformação espacial na imagem
de teste. O Registro da Imagem é freqüentemente usado como uma etapa preliminar a
outra aplicação de processamento de imagem, as etapas necessárias para realizar o
alinhamento das imagens podem ser observadas nas Figuras 7,8 e 9.
Figura 7 – Imagens de mesmo contexto a serem registradas.
Figura 8 – Imagens em transformação espacial.
Figura 9 – Imagens registradas.
As transformações polinomiais ou espaciais fazem o vínculo entre as
coordenadas da imagem de teste e as coordenadas do sistema de referência (Placa de
Referência) através de pontos de controle. Pontos de controle são feições passíveis de
identificação na imagem, ou seja, são feições homólogas cujas coordenadas são
conhecidas na imagem e no sistema de referência. Chips, componentes e furos na placa
são candidatos naturais a pontos de controle em placas de circuito impresso. A
determinação dos parâmetros da transformação polinomial selecionada é feita através da
resolução de um sistema de equações. Para que esse sistema de equações possa ser
resolvido, as coordenadas dos pontos de controle devem ser conhecidas tanto na
imagem de ajuste (imagem a ser registrada) como no sistema de referência. As
coordenadas da imagem (linha, coluna) são obtidas por meio do MATLAB. Nas Figuras
10, 11 e 12 podem ser observados os passos utilizados para realizar o processo de
alinhamento entre as imagens das placas.
Figura 10 – Seleção dos pontos de controle comuns a ambas as placas.
Figura 11 – Imagem das placas sobrepostas desalinhadas.
Figura 12 – Imagem das placas registradas (alinhadas).
4.4 Binarização da Imagem
A Binarização consiste em converter imagens em tons de cinza para imagens binárias.
Uma forma de binarizar uma imagem consiste em transformar os pixels cujos tons de
cinza são maiores ou iguais que um certo valor de limiar L em brancos e os demais em
pretos.
Em uma imagem binarizada ou bitonal cada pixel assume um entre dois valores:
1 ou 0 interpretados como preto ou branco respectivamente. Nas Figuras 13 e 14 é
possível visualizar o processo de binarização.
Figura 13 – Imagem a ser binarizada.
Uma imagem binária é armazenada como uma matriz lógica, onde cada posição
da matriz representa um pixel da imagem.
Figura 14 – Imagem binarizada e sua matriz correspondente.
4.5 Casamento de Padrões
Esta etapa consiste em comparar os componentes da placa de referência e os
componentes da placa teste com a máscara binária. A máscara binária é a representação
por meio de imagem de um componente ausente com área de solda hipoteticamente
perfeita, como pode ser observado na Figura 15.
Figura 15 – Máscara Binária de um componente ausente.
As comparações entre os componentes e a máscara binária ocorrem por meio de
uma operação lógica and, como pode ser visto na figura abaixo.
Figura 16 – Operação lógica and entre um componente e a máscara binária.
Esse procedimento é realizado com o intuito de minimizar os pixels ruidosos
presentes na imagem, uma vez que tal técnica preserva a disposição dos pixels
encontrada no componente da mascara binária.
4.6 Classificação Probabilística da Presença/Ausência de componentes.
O processo de decisão do algoritmo baseia-se em um método estatístico de
aprendizagem bastante consolidado na literatura, a Aprendizagem Bayesiana.
A aprendizagem bayesiana calcula a probabilidade de cada hipótese, considerando
os dados, e faz previsões de acordo com ela. Isto é, as previsões são feitas com o uso de
todas as hipóteses, ponderadas por suas probabilidades, em vez de utilizar apenas uma
única “melhor” hipótese. Desse modo, a aprendizagem é reduzida à inferência
probabilística. Seja X a representação de todos os dados, com valor observado x; então,
a probabilidade de cada hipótese obtida é pelo teorema de Bayes:
Nessa abordagem do teorema de Bayes são consideradas as seguintes hipóteses:
• W1 é a hipótese denominada componente.
• W2 é a hipótese denominada almofada.
Sendo P(W1) definida como a razão entre D1/(D1+D2) e P(W2) definida como a
razão entre D2/(D1+D2), onde D1 é a diferença do número de pixels brancos do
componente da placa referência pelo número de pixels brancos da máscara binária e D2
é a diferença do número de pixels brancos do componente da placa teste pelo número de
pixels brancos da máscara binária. Estas são as probabilidade a priori das hipóteses W1 e
W2 respectivamente.
P(x) representa a freqüência com a qual encontramos determinada característica,
onde considera-se x como um vetor de características formado a partir do número de
pixels brancos extraídos de um componente da imagem.
A probabilidade P(W1| x) representa a probabilidade que o componente da placa
referência satisfaça a hipótese W1 dado a característica x. A probabilidade P(W2| x)
representa a probabilidade que o componente da placa teste satisfaça a hipótese W2
dado a característica x. Os valores utilizados para representar as probabilidades acima
citadas, são P(W1| x)=0,98 e P(W2| x)=0.87. O valor de P(W1| x) foi obtido de modo
empírico, uma vez que a referência apresenta probabilidade 1 de apresentar componente
presente, porém com o ruído que é acrescentado a imagem convencionou-se 0.98. O
valor de P(W2| x) foi obtido segundo pesquisas científicas que determinam esse valor.
Utilizando o teorema de Bayes, queremos determinar qual a probabilidade do
componente está na placa de teste dado que se sabe a priori que o componente está na
placa referência? Em outras palavras, deseja-se determinar P(W2| x).
O teorema de Bayes pode ser expresso como:
P(Wi| x) = [P(x| Wi).P(Wi)] / P(x), onde 2 P(x) = ∑ P(x| Wi). P(Wi). i=1
Agora vamos supor que queremos fazer uma previsão sobre uma quantidade
desconhecida N de componentes. Então temos a seguinte representação matemática da
aprendizagem bayesiana:
P(x) = ∑ P(N| Wi). P(Wi | x). i
5 Resultados Parciais
Durante o período de projeto foram realizadas várias etapas previstas como:
Levantamento Bibliográfico, Captura de Imagens, Registro das Imagens, Binarização
das Imagens, Casamento de Padrões, Decisão Probabilística, Desenvolvimento da
Interface e Experimentos, sendo os resultados dos testes, A automatização do processo
de alinhamento das imagens e a Interface os ganho mais significativos a serem
apresentados.
5.1 Interface Gráfica
Visando a flexibilidade do sistema foi desenvolvida uma interface, para que o operador
do mecanismo possa interagir com o processo, disponibilizando os recursos necessários
para que o programa realize a tarefa de detecção da ausência/presença de
microcomponentes em placas de circuito impresso (PCI), tal interface pode ser
visualizada na Figura 17.
Figura 17 – Interface Gráfica responsável pela interação com o usuário.
Para que o programa inicie a detecção faz-se necessário que o usuário carregue as
Placas de Referência e de Teste por meio dos botões Carregar e em seguida pressionar o
botão Iniciar. Sendo possível observar quais as etapas já foram realizadas na inspeção,
uma vez que o sistema apresenta as etapas realizadas até o momento, como mostrado na
Figura 18.
Figura 18 – Etapas em execução mostradas na interface.
Após o término da inspeção serão apresentadas todas as etapas realizadas e será
gerado um relatório com os dados correspondentes aos componentes da placa e seus
percentuais, como observado na Figura 19.
Figura 19 – Obtenção de resultado ao final da detecção de componentes.
5.2 Resultados dos Experimentos
O experimento realizado foi baseado no procedimento de Aprendizagem Bayesiana
onde pôde-se afirmar a ausência/presença de componentes com base no aprendizado a
partir das informações a priori sobre o número de pixels em nível de zero dos
componentes. A Figura 20 apresenta a tabela correspondente aos resultados dos
experimentos e os valores obtidos.
Placa de Teste Placa Referência
Comp nz1_1 nz1_2 Aprendizagem Comp p/a nz2_1 nz2_2 Perc_pres Comp p/a 476 29 55 0,506485 1 34 63 1 1 477 21 59 0,511164 1 34 61 1 1 455 38 58 0,513312 1 34 56 1 1 453 29 67 0,598832 0 64 65 1 1 452 31 54 0,722483 0 69 72 1 1 451 34 64 0,649151 0 62 66 1 1 468 58 58 0,504189 1 56 65 1 1 467 37 65 0,519177 1 40 70 1 1 473 42 55 0,605484 0 62 66 1 1 472 34 68 0,482939 1 31 62 1 1 479 37 64 0,482092 1 41 74 1 1 480 39 72 0,692977 0 71 75 1 1 478 34 70 0,64871 0 67 79 1 1 475 34 70 0,41799 1 22 67 1 1 471 34 62 0,495354 1 35 65 1 1 450 29 68 0,481687 1 43 68 1 1 448 41 59 0,668654 0 79 82 1 1 449 43 74 0,474843 1 42 58 1 1 447 29 65 0,499932 1 32 62 1 1 458 44 62 0,451344 1 25 71 1 1 457 33 57 0,570275 1 49 70 1 1 456 39 62 0,555993 1 38 78 1 1 461 40 55 0,518828 1 39 61 1 1 462 37 61 0,489427 1 41 64 1 1 460 31 62 0,450764 1 24 52 1 1
Figura 20 – Resultados obtidos utilizando o método de Aprendizagem
Bayesiana.
Com base nos resultados obtidos foi possível detectar todos os componentes
ausentes nas placas de teste, obtendo um resultado bastante significativa nas detecções
de microcomponentes em placas de circuito.
5.3 Registro Automático
A automatização do registro consiste em realizar o alinhamento das imagens de forma
automática, ou seja, selecionar automaticamente os pontos de controle referentes às
imagens da placas de referência e das placas de teste, de modo a minimizar o contato do
operador humano com os procedimentos constituintes da detecção automática de
componentes em uma placa de circuito integrado, essa etapa pode ser observada na
figura abaixo.
A estratégia utilizada para encontrar os pontos de controle de modo automático
consiste em buscar os pontos referentes às quinas das placas e com isso registrar as
imagens automaticamente, sem a necessidade de selecionar os pontos de controle de
forma manual.
Figura 21 – Processo de automatização do alinhamento das imagens.
5.4 Robustez do Método
Para avaliar a robustez do método, foram adicionados ruídos Gaussianos e “Salt and
Pepper” à imagem, a fim de simular ambientes com condições críticas para a aquisição
das imagens e podendo assim verificar a robustez do método quanto a problemas reais
encontrados nas linhas de montagens das indústrias.
Para a adição de ruído Gaussiano foram feitos experimentos com a densidade de
ruído iniciando de 0.01 até 0.08, onde pôde-se observar o bom desempenho do
algoritmo, que reconheceu todas as ausências da placa com densidade até 0.05, como
pode ser observada na Figura 22.
Figura 22 – Relação Detecção X Densidade de ruído Gaussiano.
Na Figura 23 pode ser observada a grande concentração de ruído Gaussiano na
imagem da placa inspecionada, com densidade 0.05 (Pixel/U.A), constatando-se a boa
precisão da abordagem em detectar a ausência/presença de microcomponentes em
placas de circuito impresso.
Figura 23 – Placa apresentando densidade de 0.05 de ruído Gaussiano.
Para a inserção de ruídos “salt and pepper” o método detectou todas as
ausências iniciando de 0.01 até 0.30 como pode ser observado na Figura 24.
Figura 24 – Relação Detecção X Densidade de ruído Salt and Pepper.
Na Figura 25 pode ser observada a grande perturbação sofrida pela imagem da placa
inspecionada na inserção de ruído “salt and pepper” com densidade 0.30 (Pixel/U.A),
constatando-se a grande complexidade da abordagem em detectar com boa precisão a
ausência/presença de microcomponentes em placas de circuito impresso.
Figura 25 – Placa com densidade de 0.30 de ruído Salt and Pepper.
6 Conclusões e Trabalhos Futuros
Durante o projeto foi desenvolvido um algoritmo que detecta a ausência/presença
de componentes em placas de circuito integrado, utilizando imagens de placas
capturadas durante o processo produtivo de uma linha de produção manufaturada.
O método utilizado para detectar a presença de microcomponentes na placa foi um
método estatístico de Aprendizagem Bayesiana, onde utiliza-se inferências passadas
para a realização de inferências futuras. Com o método de Aprendizagem Bayesiana o
algoritmo mostrou-se bastante eficiente, sendo possível a detecção correta de todos os
componentes ausentes nas placas de teste.
Para verificar a robustez da metodologia foram elaborados experimentos onde foi
realizada a adição de ruídos (Gaussianos e Salt and Pepper) às imagens, onde pôde-se
constatar o bom desempenho do método, pois mesmo com os altos níveis de
perturbação das imagens foi possível detectar componentes ausentes nas placas de
circuito impresso.
Na realização dessa abordagem alguns problemas foram encontrados tais como:
processo de decisão (como definir de forma precisa e consistente se um componente
está presente ou ausente na placa), automatização do processo de alinhamento das
imagens (Como detectar pontos de controle de modo automático para a realização do
registro) e Captura de Imagens (Aquisição de imagens de boa qualidade, ou seja, com
boa iluminação, definição e com baixo índice de ruído).
A limitação dessa abordagem é a necessidade de especificar as coordenadas em
que cada microcomponente se encontra na placa, para que cada componente contido na
imagem capturada possa receber o processamento necessário.
O algoritmo pode ser extendido de forma a se adaptar de maneira precisa e eficaz
a outros tipos de defeitos também encontrados no processo de manufatura da placa tais
como:
* Posicionamento de Componentes;
* Curto de Solda;
* Soldagem Correta;
* Falta ou Excesso de Cobre.
7 Referências
[1] Sablatnig, R. INCREASING FLEXIBILITY FOR AUTOMATIC VISUAL
INSPECTION: THE GENERAL ANALYSIS GRAPH, MVA, vol. 12, N.4, páginas
158-169, 2000
[2] da Fontoura Costa, L. and Meriaudeau, F. SPECIAL ISSUE ON APPLIED
VISUAL INSPECTION, Journal of Applied Signal Processing, N.7, páginas 647-648,
julho, 2002.
[3] M. Sasai, INSPECTION TECHNIQUE FOR FLEXIBLE MANUFACTURE.
Electronic Packaging Technology, vol. 2, páginas 41-46, 1998.
[4] Hata, S. PRACTICAL VISUAL INSPECTION TECHNIQUES: OPTICS, MICRO-
ELECTRONICS AND ADVANCED SOFTWARE TECHNOLOGY. Anais da
International Conference on Pattern Recognition 2000, vol. IV, páginas 114-117.
[5] Borba, J.F. e Facon, J. A PRINTED CIRCUIT BOARD AUTOMATED
INSPECTION SYSTEM, Anais do IEEE Midwest Symposium on Circuits and
Systems, Rio de Janeiro, Brazil, pp. 69-72, Aug. 1996.
[6] Kim e Pyun. REAL-TIME INSPECTION SYSTEM FOR PRINTED CIRCUIT
BOARDS. Image and Vision Computing, 20(12):841--59, 2002.
[7] Pio, José Luiz S. e Campos, Mario F.M. VISÃO DE MÁQUINA. Anais da IV Feira
Internacional da Zona Franca de Manaus, Manaus, Amazonas, 2004.
[8] M. Sasai, INSPECTION TECHNIQUE FOR FLEXIBLE MANUFACTURE.
Electronic Packaging Technology, vol. 2, páginas 41-46, 1998.
[9] JURAN, J.M.; GRYNA, F. M. Juran, Quality Control Handbook. 4 ed.
McGraw-Hill Book Company, 1988.
[10] ACCIANI, Giuseppe; Brunetti, Gioacchino e Fornarelli, Girolamo. Application of Neural Networks Optical Inspection and Classification of Solder Joints in surface Mount Technology, 2006.
8 Cronograma
R: Realizado X: Não realizado