印刷電路板(PCB)品質檢測方案的有效性可分為三個方面——用於獲取PCB零件圖像的自動光學檢測(AOI)系統、用於檢測缺陷的推論軟體,以及連接兩者的硬體。後者負責處理從AOI系統獲得的數據,並通過其GPU運行缺陷檢測模型,在整個品質檢測解決方案中執行關鍵任務。

這正是製造商在構建其鷹眼品質檢測系統時,選擇研揚最新的 MAXER-2100 作為AI推論伺服器的原因。該公司開發了先進的軟體來識別PCB中的缺陷,並利用MAXER-2100來處理來自AOI設備的圖像數據,透過 MAXER-2100 的GPU運行AI推論模型,以快速且準確地檢測製造過程中的缺陷。

這個全面的品質檢測過程帶來了極大的信心,因此研揚決定在自己的工廠中部署該系統,使用AOI設備獲取數據,並通過MAXER-2100運行供應商的缺陷檢測模型,以確定各種零件是否通過。這減少了研揚對人工檢測的依賴,提高了PCB組裝線品質檢測過程的準確性和速度。

AI瑕疵檢測面臨的挑戰與解決方案

公司在維持嚴格的品質保證過程中面臨各種困難,其中許多因涉及各種變動因素而難以解決。在傳統的製造環境中,人工錯誤是不可避免的。

此外,員工需要時間和經驗來發展達到高標準所需的技能。 隨著需求的增長,公司必須選擇增加員工數量或因人員手動檢查每個PCB零件所需的時間而冒降低生產速度的風險,每張照片通常需要2到3秒鐘。

第二個挑戰是軟體提供商和系統整合商在利用AI推論提供完整品質檢測時面臨的挑戰。在引入AI輔助的AOI過程時,推論模型的效率和效果依賴於運行它們的硬體。這些因素突顯了需要能夠處理和加速複雜AI算法而不犧牲準確性的硬體。由圖像數據獲取、缺陷檢測、隨後的手動檢查和修復組成的過程已不再具有競爭力。

MAXER-2100 中,供應商找到了理想的平台來運行其推論模型,以快速識別PCB零件中的缺陷。但MAXER-2100為品質檢測生態系統帶來的關鍵是其利用深度學習來優化客戶的推論模型,隨著處理的數據量增加,整體品質檢測過程變得更快、更準確。

自動光學檢測系統的架構

鷹眼解決方案通過AOI設備獲取PCB零件、焊接點、導線和其他特徵的圖像。一旦捕捉到這些圖像,它們便會傳輸到由第13代Intel® Core™ LGA 1700插座處理器提供動力的 MAXER-2100

通過PCIe插槽安裝的NVIDIA® GPU卡,MAXER-2100 能夠運行供應商的AI推論模型,以確定每個零件圖像的通過及失敗狀態。 這些算法透過每個零件大約30張照片進行深度學習,推論速率為0.03秒,並建立基線來評估零件。安裝在 MAXER-2100 中的額外GPU所提供的加速提升了這些AI算法的效率,將檢測缺陷所需的時間縮短至每張照片僅0.05秒。

一旦檢測到瑕疵,系統會在品質保證報告中記錄這些瑕疵。該報告詳細說明了確定瑕疵位置和性質的視覺數據,以便製造商採取矯正措施。

MAXER-2100 作為整體解決方案的一部分,其關鍵優勢在於一旦生成品質報告,它就能通過深度學習來重新訓練和優化供應商的軟體模型,因為它擁有更多的數據來確定通過品質檢測和失敗零件之間的偏差。

MAXER-2100:研揚AI推論伺服器革命性的影響力

研揚的 MAXER-2100 作為鷹眼品質檢測系統的一部分,提供了一系列優勢:

提升效率

MAXER-2100 支援第12代和第13代Intel® Core™處理器,能夠同時處理大量數據,簡化檢測過程,將每張照片的判斷時間縮短至0.05秒,相較於人工檢查每張照片需要2到3秒的時間大大提升效率。

提高準確性

MAXER-2100 的GPU提供了理想的平台來運行供應商的瑕疵檢測算法。結果是,應用的整體成功率超過99%,相比人工檢測提供的約95%準確率有了顯著提高。

持續改進

隨著從應用的AOI設備接收數據,利用機器學習,MAXER-2100幫助優化供應商的推論模型。因此,隨著系統分析零件並生成PCB瑕疵檢測報告,模型擁有了更大量的數據來確定零件的變異。

MAXER-2100 作為 AI AOI 鷹眼瑕疵檢測系統的重要組成部分,在品質控制領域帶來了一次飛躍。它不僅提高了製造過程的效率,還提升了 AI 輔助品質檢測的精度和可靠性。通過利用 AI 推論伺服器所提供的加速和處理能力,供應商的模型獲得了更多詳細的範例來區分有瑕疵和達到品質標準的 PCB,能夠持續優化改進,增強了報告的可靠性,同時也展示了 AI 整合的卓越價值。