ca. hunderte Inspektionsstellen auf dem PCB-Board sind mit Lötpaste beschichtet, um die Produktqualität zu gewährleisten, ist es notwendig, die Defekte von Lötpaste auf dem PCB-Board zu erkennen, d.h. den abgedeckten Bereich von Lötpaste zu erkennen.
Teilen
1. Projekthintergrund:
Beschreibung der Anforderungen:
1. ursprünglich wurde für das Fotografieren die Methode der Oberflächenbildkamera + zweidimensionaler beweglicher Roboterarm verwendet, und die Kupferplatte stand stationär, während die Kamera sich bewegte; visuelle Inspektion, kann das Bild nicht speichern, dieses Schema muss automatische Erkennung, Datenstat
2. die Kupferplatte verfügt über eine mechanische Struktur, um intermittierende horizontale Bewegung entlang der Längenrichtung zu bewirken; nach Fertigstellung der Gesichts-Array-Kamera wird die Kupferplatte zur nächsten Station transportiert, so dass die Linear-Array-Kamera zwischen den beiden zu
3. das Bild muss zwei Jahre lang gespeichert werden und benötigt eine große Festplatte, um es ohne Komprimierung zu speichern; daher ist es notwendig, die Bildkomprimierungsfunktion zu erhöhen, Bilder im jpg-Format auszugeben und Indizes nach der Produktions-Chargennummer zu erstellen, um die
technische Anforderungen:
1. die Kupferplatte ist etwa 260*80 mm groß, über 400 Detektionspunkte sind mit Lötpaste beschichtet;
2. die Lötpaste beträgt etwa 1 mm*1 mm.
2) Lösungsarchitektur:
Das PCB-Fehlererkennungssystem verwendet eine lineare Array-Kamera, eine fa-Industrielinse und eine Koaxiallichtquelle, um ein Sichtsystem zu erstellen, das auf der Produktionslinie installiert wird. Das PCB-Board führt die Bildgewinnung mit einer konstanten Geschwindigkeit unter. Nachdem das er
3. Vorteile des Programms:
1. Der Schema-Algorithmus dauert etwa 200 ms und kann sich an komplexe Situationen wie Codeverformung, Bilderunklarheit, Codehole-Imaging-Adhesion und unterschiedliche Codehole-Größen anpassen.
2. Jede Maschine kann täglich etwa 1000 Platten erkennen, und die Erkennungsrate von 8421 Codes erreicht nach dem Debugging 100%.
3. keine Deep Learning-Module zur Kostensenkung eingesetzt werden.
4. kann für weitere Anforderungen der Leiterplattenindustrie 8421 verwendet werden.
EN
