18603051102

AOI检测设备在SMT上的安装指引性能使用2021-10-12 19:17

AOI检测设备在SMT上的安装指引性能使用,AOI检测设备的放置状态可以保证或阻碍aoi检测目的,每个过程可以有不同的检测目标和目标。AOI检测设备的操作过程受以下原因的控制。特殊技术要求。假设smt线有特殊要求,在线aoi设备就可以添加到这一位置,检测质量,及时察觉产生相同问题的原因。
 
对于AOI检测设备没有一个步骤可以解决所有的smt线缺陷。假设AOI的实施是为了提高终的质量,将在线aoi置于工序的前面,或许并不具有后置的价值。联机aoi放在前面的一句话是为了防止已经存在缺陷的半成品重新增加成本。与此同时,在工序初期,维修不良品的本钱大大低于成品前后的维修费用。但是,很多不良品都是在生产的后期表现出来的,也就是,不管之前检测到多少不良品,产品出厂前都要进行aoi设备的检测。
 
虽然AOI检测设备可以用在smt生产线上的许多工序中,但有三道工序是必需的。后道处理锡膏印刷机。如果锡膏印刷过程达到要求,则可减少ICT(在线测试器)发现的缺陷数量。一种典型的印刷缺陷包括:焊盘间的焊锡桥;焊盘上的锡含量过高;缺少焊盘;缺少焊锡和起爆盘。对于ICT来说,缺损概率与疾病严重程度成正比。在ICT环节中,微量的锡很少会引起缺陷,而在基础无锡的严重情况下,缺陷总是出现在ICT环节。缺少焊锡是导致元件丢失或焊点断开的关键因素。然而,联机aoi设备在该过程中仍然需要确认元件丢失发生的真正原因,而这些结果需要反馈到aoi检测方案中。这一过程的检测直接支持过程的跟踪和特征化。这一阶段定量工序控制数据包括:贴放偏差和焊锡量信息,同时还出现了焊锡印刷方面的信息。
 
焊接回流前在将元件贴入板上锡膏后,将PCB送入回流焊前进行检测。在线AOI检测设备的放置过程很典型,从这里可以看出从印刷锡膏和机械贴装中产生的许多缺陷。过程节制信息发生在这一过程中,提供贴片机和密脚间距元件封装所认可的信息。这一信息可用于修正元件粘贴,或表明贴片机的需求校准。此工序的检测符合工序跟踪的目的。
 
焊接回流后。在SMT工艺过程中,在产品出厂前进行ICT功能测试和系统测试之前,是SMT工艺的尾端过程。它是AOI常用的选择,因为此过程可以找出所有装配错误。再流焊后检测具有较高的安全性,能识别锡膏印刷、元件贴装、回流焊接等工序所产生的误差。这一过程的检验保证了终质量。
 
假设将AOI放置在过程中对于识别某一特定缺陷非常有用,那么AOI检测设备实施的秘密就是把在线aoi设备放在一个能够尽早识别并纠正多缺陷的过程中。
 
一般而言,AOI检测设备技术可以描述为:通过一台摄像机或一台传感器采集到一片照明图像并将其数字化,然后与前面定义的“好”图像进行比较、分析。灯光来源于一种受限制的光源,例如白光、LED(LED)和激光。目前已有许多优秀的图像分析技巧,如模板比较(或主动比照)、边缘检测、特征提取、光学特征识别等。每一个技巧都有优点和局限性。在此简要介绍在线aoi设备的光学原理(离线也同样如此):
锡膏(锡膏)处于倾斜状态:大多数黄色光被反射到斜面,而蓝色光则被反射到照相机上。因此,焊接点在计算机中呈现出蓝色。电路板表面粗糙:黄光和蓝光的照射在其表面都会产生漫反射,根据光学原理:蓝色和黄色结合成白色,相当于计算机显示出白色照明元件的本色。表面光滑:其表面光洁:黄色光束照射在其表面产生镜面反射,而大部分蓝光则反射,所以电脑表面光滑的焊盘呈黄白色。
 
通过模板比对,确定物体图像看起来像QFP或片状电容等,然后利用这些信息产生一个刚性的基于像素的模板。在估计位置的邻近时,要找到与板相同的器械。在对相关区域进行全部点评估后,找出图像和模板位置的差异小,停止搜索。对于每一个要检查的对象,使用合适的模板,在适当的位置上进行适当的检查,确定整个面板的反省顺序,以查找所有要求的元件。
 
因为组件很少与模板匹配,所以模板就会以必然数目的允许误差来确认匹配,只要组件图像非常接近模板即可。如果靠近目标的位置,找到相同的信息。在对每一个相关的点进行评估后,找出模板和图像之间的差异小,然后停止搜索。对于每一个要检测的产品,都生成这样的模板,并通过pcb的检测程序检查产品的成分是否符合要求。因为组件很少与模板匹配,所以模板使用一定数量的允许误差来确认匹配,而仅仅是当组件图像非常靠近模板。如果模版过于严格,就会造成元件「误报」。如果可选用的模板范围过大,就会发生漏报现象。
 
操作法则。通常几种图像处理技术都应用在一个“结构”里,构成一种操作法则,非常适合于特殊的元件类型。对于含有大量元素的复杂pcb板,能够形成多种操作规律,需要工程师在需要修改或调整时做大量的重复编程。如:当某一供应商改变某一标准元件时,其操作规则就需要调整,浪费了宝贵的生产时间。与此同时,同一种元件的外形如果有很大的变化,则各不相同。为了满足低误差率的生产要求,用户需要不断地改变或调整程序以适应元件的全部变化。举例来说,一个0402片电容,可以归类为指定尺寸的矩形形状,两个亮边中心围着黑色区域。然而,这种简单外形的元件,在AOI检测设备过程中,元件的外形变化很大。由于传统的AOI检测规则过于严格,导致合理变更无法被接受。如:尺寸、形状、阴影和反差。即使是普通的元件也不能可靠地进行测试,因此形成“错误拒绝”,带有元件而系统无法识别。另外,由于可接受和不可接受的图像差别相当细微,运算程序无法很好地区分,导致“误认”,真正的缺陷无法及时发现。以弥补这些缺陷。使用者在程式设计时要适当调整。传统的AOI经常需要定期且普遍地重新编程。使用者经常需要调整他们的AOI程序来接受合理的转换。在设计和优化一个新的测试程序时,所有这些都需要花费一两天的时间去做细微的修改,甚至是几个星期。
 
一些AOI检测设备销售商已突破传统的图像处理方法,而采用自调式软件程序。这个方法是把用户从复杂的操作规则中分离出来。通过展示一系列实例来确认物体,该方法使用了一种直截了当的数学方法,称为特征向量分析(统计形状建模),它能够主动地确定如何识别合理的图像转变。特征矢量分析技术不同于基于运算规则的方法,是采用自主、基于常识的程序对出变量进行核算。这样就减少了编程时间,取消了生产中的连续调整过程。实际上,这种方法比现有的离线aoi法平均误报率提高10-20倍。编程时间缩短了十分之九,通常几块板的生产需要经过。
 
当前,传统的AOI检测设备主要是通过识别元件的边缘来达到准确、可重复的检测。若有边,则利用这些边的对称特性,一般地生成元件在平面上的坐标。但用视觉的方法难以发现边缘。因为零件边缘不是完全直线的,所以用一条直线来对比这种边沿是有问题的。此外,黑板边缘接近黑色区域,正确的对比将产生像素数据变量。像素比值不能太小,以避免某些像素比对的影响。像素比值是指元件中一个极小点在两个像素之间。好的在线AOI检测设备会根据边的处理方法产生大约十分之一像素像素的标准误差。然而,特征向量分析提供的误差相当于二十分之一个像素。特征向量分析是对某一特定元素特征的检测。