미르텍, productronica 2021에서 자동차 핀 검사 솔루션 전체 라인 전시

Jul 30, 2023

읽는 시간(단어)

미르텍은 2021 productronica 전시회 부스 #461, Hall A2에서 최첨단 INTELLI-PRO AI 기반 스마트공장 자동화 솔루션과 GENSYS-PIN 자동차 핀 검사 시스템을 선보일 예정입니다. 세계 최대 전자제조산업 전시회가 2021년 11월 16~19일 독일 메세 뮌헨 전시장에서 개최됩니다.

“업계가 스마트 팩토리를 구현하기 위해 인공지능을 제품에 접목하기 시작한 지 꽤 됐어요.” MIRTEC 독일의 사장인 Holger Hansmann은 이렇게 말했습니다. “이 분야 AI 개발의 선구자 중 하나인 미르텍은 최근 종합 AI 기반 스마트공장 자동화 솔루션 'INTELLI-PRO'를 출시했습니다. 이 기술적으로 진보된 소프트웨어 및 알고리즘 패키지는 MIRTEC의 전체 AOI 기계 제품군의 성능과 편의성을 향상시킬 목적으로 특별히 설계되었습니다. INTELLI-PRO는 독점적인 Deep Learning 기반 자동 부품 검색 및 교육 기능과 AI 기반으로 구성됩니다. 자동 매개변수 최적화, 문자 인식(OCR), 이물질 감지(FOD), 배치 검사 알고리즘 및 자동 결함 유형 분류 기능.

INTELLI-PRO, AI 기반 검사 프로세스 완벽화

INTELLI-PRO의 검사 과정은 준비 단계, 검사 단계, 검사 후 단계의 세 단계로 구성됩니다.

AOI 머신을 실행하기 위해서는 준비 단계에서 티칭과 디버깅이 필요합니다. 미르텍의 Deep Learning Auto Matching & Teaching Tool은 부품 라이브러리에서 PCB에 대한 적절한 부품 유형, 크기 및 기타 정보를 검색합니다. 그런 다음 사전 프로그래밍된 검사 알고리즘 및 매개변수를 사용하여 부품에 검사 창을 자동으로 배치합니다. 사용자는 OIT(Optimum Inspection Tool)를 사용하여 준비 단계에서 생성된 교육 모델을 디버깅/최적화할 수 있습니다. 사용자는 간단히 PCB 검사를 실행하고 결과를 검토하여 부품의 양호 또는 결함 여부를 판단할 수 있습니다. AI 응용 소프트웨어가 최적의 매개변수 값을 제안합니다. 미르텍의 연구에 따르면 일반적인 조건에서 최적화된 결과를 얻으려면 약 10개의 PCB가 필요합니다. 이 두 가지 소프트웨어 솔루션은 수동 교육에 비해 약 90%, 딥러닝이 없는 자동 교육 도구에 비해 50% 정도 교육 시간을 단축하는 데 도움이 됩니다. OIT는 사용하기 쉽고 정확도가 높아 초보 작업자도 최적의 검사 레시피를 쉽게 만들 수 있습니다.

검사 단계에서는 미르텍의 딥러닝 광학 문자 인식(OCR), 이물체 검출(FOD), 배치 검사 알고리즘이 검사 품질과 효율성을 높여줍니다. 일반적으로 OCR 및 FOD 알고리즘은 잘못된 호출의 영향을 받는 경우가 많습니다. 이러한 항목에 대한 오콜 비율을 줄일 수 있다면 검사 과정에서 전반적인 오콜 비율이 크게 줄어들 것입니다. 미르텍은 OCR 알고리즘에 Deep Learning을 적용하기 위해 많은 투자를 했습니다. 딥 러닝 기반 애플리케이션은 더 많은 데이터를 사용할 수 있다는 점에서 탁월합니다. 미르텍은 광범위한 사업 및 연구 기간 동안 딥러닝을 위한 캐릭터 이미지 및 검사 데이터를 축적해 왔습니다. 미르텍의 문자 인식률은 AOI 메이커 중 최고 수준입니다. 미르텍의 FOD 솔루션은 영상 데이터를 분석하여 검출률을 높여줍니다. 사용자는 이미지에서 이물질이 어떻게 보이는지 가르쳐 기계가 이물질을 식별하는 방법을 학습할 수 있습니다. 미르텍의 배치 알고리즘도 비슷한 과정을 따릅니다. 사용자는 이미지를 '양호' 또는 '불량'으로 분류할 수 있습니다. 기계는 학습하여 탐지율을 향상시킵니다.

검사 후 단계는 검사 결과를 검토하고 분류하는 과정이다. AOI가 결함을 발견하면 PCB는 NG 버퍼로 전송됩니다. 검토를 통해 교환원은 결함이 진짜인지 허위 호출인지 판단할 수 있습니다. 미르텍의 딥러닝 자동 결함 분류 도구가 이를 바꿀 수 있습니다. 이 소프트웨어는 NG PCB의 결함이 실제 결함인지 잘못된 호출인지 사용자에게 '제안'합니다. 그러나 소프트웨어가 검사 데이터를 축적함에 따라 소프트웨어는 실제 호출과 거짓 호출을 식별하는 방법을 학습합니다. 예측은 시간이 지남에 따라 더욱 정확해집니다. 결국 약 6개월의 학습 후에 소프트웨어는 사용자에게 결함을 '제안'하는 대신 결함을 '판단'할 수 있습니다.