Hvad er AOI (automatiseret optisk inspektion)?

Hvad er AOI？

AOI (Automated Optical Inspection) er et industrielt detektionssystem med høj præcision baseret på maskinsyn, som primært bruges til kvalitetskontrol af Trykte kredsløb (PCB'er). Kerneprincippet er at kombinere højhastighedsoptisk billeddannelse med intelligente algoritmer for automatisk at identificere PCB-samlefejl (f.eks. forkert justering af komponenter, manglende dele) og loddeproblemer (f.eks. brodannelse, kolde fuger).

AOI-systemets arbejdsprincip

1. Fase for billedoptagelse

• Billeddannelse med høj præcision: Udnytter industrielle CMOS/CCD-kameraer med ringbelysning til at indfange PCB-overfladefunktioner i mikronopløsning
• Flerdimensionel indfangning: Understøtter 2D-inspektion (loddefuger/silkeskærm) og 3D-topografianalyse (loddepastahøjde/komponentkoplanaritet)

2.Forbehandling af billeder

• Undertrykkelse af støj: Anvender gaussisk filtrering og morfologiske operationer for at fjerne optisk interferens
• Forbedring af funktioner: Bruger kantskærpelse og HDR-fusion til at forbedre målområdets kontrast
• Tilpasning af koordinater: Udfører CAD-til-billedregistrering ved hjælp af referencemærker som referencepunkter

3.Intelligent detektion af defekter

• Verifikation baseret på standarder: Kontrollerer komponentplacering/polaritet/loddefuge-morfologi i forhold til IPC-A-610-kriterier
• Hybride algoritmer:
  Traditionel: Skabelonmatchning, Blob-analyse
  AI-drevet:CNN-netværk til at opdage gravsten, koldlodning osv.

4.Output & Feedback

• Niveaudelt varsling: Udløser visuelle/lydalarmer efter fejlens sværhedsgrad (kritisk/stor/mindre)
• Systemintegration: Synkroniserer NG-resultater til MES med reparationsstationens koordinater
• Procesoptimering: Giver SPC-data til indstilling af reflow-ovn/pick-and-place-maskine

AOI-teknologiens fordele

1. Begrænsninger ved manuel inspektion

Tidlig PCB-inspektion var baseret på manuel visuel kontrol.Men med fremkomsten af Sammenkobling med høj densitet (HDI) design og masseproduktion krav, står manuelle metoder over for tre kritiske udfordringer:

• Lav pålidelighed: Udsat for træthed og subjektiv vurdering, med fejlsøgningsrater, der overstiger 15%
• Ineffektivitet: Inspektionshastighed 0,5 tavler/minut, inkompatibel med moderne SMT-linjecykler
• Stigende omkostninger: Arbejdskraft står for 8%-12% af de samlede PCB-omkostninger, med lange uddannelseskrav

2.AOI's centrale detektionsfunktioner

Identificerer nøjagtigt 7 hovedkategorier af fejl:

Unikke fordele i forhold til traditionelle metoder:

• Eliminerer testens blinde vinkler: Registrerer BGA-underfyldning, 0201-komponenter og andre områder, der er utilgængelige for ICT-prober
• Dataanalyse i lukket kredsløb: Klassificering af fejl i realtid (f.eks. identifikation af 30 % fejl i stenciltryk) muliggør procesoptimering

3.Kvantificerede præstationsfordele

4.Integration af intelligent produktion

• Feedback i realtid: Udløser MES-advarsler med reparationsstationens koordinater (<2 sekunders svar)
• Forudsigelig vedligeholdelse: SPC-baseret trendanalyse forudsiger problemer som tilstopning af stencilen
• Omkostningseffektivitet: Typisk ROI <6 måneder med 50-70% reduktion af skrot

AOI's kritiske rolle i SMT-produktionslinjer

I. Fire vigtige inspektionsknudepunkter for AOI i SMT-processen

• Inspektion efter loddepasta (SPI-AOI-integration)

• Kernefunktion: Måler pastatykkelse (±5 μm), dækningsområde og brodannende defekter
• Forebyggende værdi:Tidlig opdagelse af tilstopning/forskydning af stencilen forhindrer reflowfejl (60 % forbedring af fejlopfangningsraten)

• Placering af komponenter efter chip (efter chipmontering)

• Fokus: Manglende, omvendte eller forkert justerede 0201/0402-komponenter (±15 μm nøjagtighed)
• Omkostningsfordel:Omkostningerne til omarbejdning på dette trin er kun 1/20 af post-reflow-korrektionen

• Post-IC-komponentplacering (enheder med fin pitch)

• Kritisk kapacitet: Identificerer QFP/BGA-polaritetsfejl og lead-koplanaritet (0,5° vinkelopløsning)
• Processtyring:Dataudveksling i realtid med pick-and-place-maskiner til automatisk offset-kompensation

• Slutinspektion efter tilbagestrømning (omfattende screening af defekter)

• Vigtige udfordringer:
  Detektering af morfologi i 3D-loddefuger (kræver 10 μm opløsning på Z-aksen)
  Inspektion af skyggefulde områder (f.eks. QFN-bundafslutninger)
• Industriens status: 92 % detektionsrate mod 99,5 % for pre-reflow AOI

II.Teknisk-økonomisk sammenligning: Pre-Reflow vs. Post-Reflow AOI

III.Anbefalinger til bedste praksis

• Strategi for valg af udstyr

• Pre-reflow: Prioriter højhastigheds-AOI med on-the-fly-teknologi (f.eks. Koh Young KY8030)
• Post-reflow:Skal indeholde 3D konfokal mikroskopi (f.eks. Omron VT-S730)

• Closed-Loop data-applikation

• Etabler SPC-kontroldiagrammer (automatisk udløsning af stencilrensning ved pastadefekter >3%)
• Feed placeringsforskydningsdata tilbage til pick-and-place-maskiner via MES (±7 μm kompensationsnøjagtighed)

• Fremtidige udviklingstendenser

• Virtuel AOI ved hjælp af dyb læring (forudsigelse af risiko for fejl i EDA-stadiet)
• Multimodal inspektion (fusion af røntgen- og AOI-data til holistisk modellering af loddefugen)

AOI-inspektion - hurtig referencevejledning

1. Fejlvurdering af karakter

• Udgave: Falske opkald på grund af uskarpe/inkonsistente komponentmarkeringer
• Løsninger:
• Brug Multispektral billeddannelse (synlig + IR)
• Juster tolerancen for gråtoner (ΔE < 15)
• Reducer kritiske karaktertjek

2.Blinde pletter i inspektionen

• Almindelige blinde vinkler:
• Høje komponentskygger →. 45° ringlys + sidebelysning
• BGA-lodninger i bunden →. Konfokal mikroskopi lagscanning
• Komponenter <3 mm fra pladekanten →. Design af 5 mm afspærringszone

3.Debat om standarder for loddefuger

• Nøgleparametre:
• Chip-komponenter: Befugtningsvinkel 25°-55°, Xc/Xi=1,2-1,8
• QFP-komponenter: Loddetråd ≥50% blytykkelse
• Designregel:

  Pad-udvidelse = komponentlængde × 0,25
 Minimumsafstand = gennemsnitlig komponenthøjde + 0,5 mm

4.Resultater af implementering

• Typiske forbedringer:
  Falsk opkaldsrate ↓70%.
  Inspektionshastighed ↑25%.
• Nødløsning:
  Hvis for mange falske opkald → Deaktiver tegnkontrol eller aktivere “Læringstilstand”

5.Tabel over hurtig fejlfinding

AOI-teknologianvendelser og branchedækning

1. Centrale anvendelsesområder

• SMT-elektronikproduktion (Primært domæne)

• Mål for inspektion:
  Loddefugenes kvalitet (hulrum/broer/utilstrækkelig loddemetal)
  Placering af komponenter (forkert placering/omvendt/manglende)
  Verifikation af polaritet (orientering af tantal-kondensatorer/dioder)
• Industriens standarder:
  IPC-A-610 klasse 3 (luft- og rumfart/medicinsk kvalitet)
  Detektionsnøjagtighed: ±15 μm (0201 komponentniveau)

• Produktion af skærmpaneler (LCD/OLED)

• Kritiske inspektioner:
  Pixelfejl (lyse/mørke pletter/linjefejl)
  Justeringsnøjagtighed (panelforskydning <3μm)
  Ensartet klæbestof (tolerance for UV-limens bredde ±50 μm)

2.Brede industrielle anvendelser

3.Integration af ny teknologi

• Implementering af smart fabrik

• MES-systemintegration gør det muligt:
  Overvågning af udbytte i realtid (dataopdateringshastighed ≤2s)
  Adaptive detektionstærskler (AI-drevet parameterjustering)

• Udvidelse på tværs af brancher

• Emballage til fødevarer: Kontrol af aluminiumsfolieforseglingens integritet (0,1 mm nøjagtighed)
• Tekstilindustrien: Automatisk sortering af stoffejl (30 m/min hastighed)

4.Guide til valg af teknologi

1. Prioritet for elektronikproduktion:

• 3D SPI+AOI integrerede systemer (f.eks. Koh Young KY8030)
• Minimum detekterbar komponent: 01005 (40μm×20μm)

• Generelle anbefalinger til industrien:

• Universelle AOI-systemer bør være udstyret med:
  Multispektral belysning (til metal-/plastiksubstrater)
  IP54-beskyttelsesklasse (modstandsdygtighed over for støv/olie)

Konklusion

Automatiseret optisk inspektion (AOI), som er et centralt middel til kvalitetskontrol i moderne produktion, har udvidet sig fra traditionel SMT-elektronikproduktion til forskellige områder som LCD-paneler, halvlederemballage, bilelektronik og biomedicin. Dens kerneværdi ligger i kombinationen af optisk billeddannelse med høj præcision (±15 μm) og intelligente algoritmer (f.eks. deep learning) til at realisere den automatiske detektion af loddefekter, komponentplaceringsfejl og polaritetsproblemer og samtidig sammenkæde med MES-systemet for at danne et lukket kredsløb af data for at fremme opgraderingen af intelligent produktion. I fremtiden vil AOI blive dybt integreret med røntgen og AI-forudsigende vedligeholdelse for yderligere at bryde igennem detektionsgrænsen og blive en uundværlig "kvalitetsportevagt" i Industri 4.0-æraen.