博客专栏

EEPW首页 > 博客 > 最新AOI算法的优势

最新AOI算法的优势

发布人:13530134905 时间:2022-03-06 来源:工程师 发布文章

最新AOI算法的优势


       目前市面上,我们发现一个现象,众多生产制造企业,特别是在SMT车间,大多选择离线AOI设备。我们都知道,离线AOI虽然价格便宜,但是需要一个专人负责一台AOI,人力成本高。却还是这样选择,为什么呢?

      目前生产制造企业的转型,已经不是大规模的生产方式。而是多品种,小比量生产。以产品齐套为目的,快速出成品抢占市场的方式。

      而传统AOI的算法,不管是图片对比还是矢量分析,在做程序方面,简单的产品也需要一个小时,稍复杂产品,两个小时的程序制做时间。试想,一个几百到一千的批量,一台在线AOI将整个生产线处于停止状态,就不难想象很多企业的明智之举就是选用离线AOI

     另外一方面,AOI的误判,也是制约在线AOI的使用。使用在线AOI,但误判率高,也是需要一个人专职在AOI工位。人员没节约,影响线体节拍,选择在线AOI,很多加工厂已经让昂贵的AOI变成一个明符其实的高级接驳台。

     然而,目前在AOI行业出现了一个新的算法,给整个电子制造行业带来了福音。解决了最让人头痛的两大问题,程序编制和误判率。

    卷积神经网络可以处理图像以及一切可以转化成类似图像结构的数据。相比传统算法和其它神经网络,卷积神经网络能够高效处理图片的二维局部信息,提取图片特征,进行图像分类。通过海量带标签数据输入,用梯度下降和误差反向传播的方法训练模型。

卷积运算:识别图片中指定特征

用卷积核在原图上滑动,进行卷积运算,得到特征图feature map。

卷积的本质:将原图中符合卷积核特征的特征提取出来,展示在feature map里面。

如果原图是X,卷积核是X,那么卷积核在原图上卷积运算之后生成的feature map也是X。

如果原图是O,卷积核是O,那么卷积核在原图上卷积运算之后生成的feature map也是O。

如果原图是O,卷积核是X,那么卷积核在原图上卷积运算之后生成的feature map就是乱码。

权值共享:卷积核扫过整张图片的过程中,卷积核参数不变。

深度学习源于人工神经网络的研究,通过设计建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,通过网络的学习和调优,建立起从输入到输出的函数关系,减少了手工提取特征或者规则的步骤。 

     AOI利用在工业检测领域应用深度学习算法,使用大数据优化,智能极简编程,一键自动识别元器件及焊点,智能判定不良。

  白话一点:编程时候,我们提前让AOI认识到电子元器件,就像我们打工人一样,刚进电子厂啥也不认识,你的师父就每天教你,这个是电容,这个是电阻。教多了,你也见多了(你接收到足够的数据后),你就会识别什么是元器件,就算你师父没教你的,你也会变通(因为成了模型)你也会认识。

               测试的时候,还是你师父每天告诉你,这个是不良品,这个是良品。时间长了,你就是一个合格的QC。所以误判少的原理就在这里。

            上传不了视频文件啊,需要视频可以联系我。

微信图片_20220306122611.jpg

            


*博客内容为网友个人发布,仅代表博主个人观点,如有侵权请联系工作人员删除。

电容器相关文章:电容器原理


电容相关文章:电容原理



技术专区

关闭