一块黑色的电路板,曾是不少PCB制造企业品控线上的老难题。
黑色阻焊层PCB因视觉质感与遮光性能优异,近年来被广泛应用于智能手机、汽车电子、新能源产品等高端领域。但黑油表面对可见光反射率极低,传统成像方式难以清晰呈现板面划痕、凹坑、漏铜等细微缺陷,自动外观检测设备频繁漏检、误判,不少厂商只能靠人工目检兜底,效率低、成本高。
如今,这一困扰行业多年的问题,被一支由在校学生组成的“鉴黑识瑕”团队找到了解法。其研发的多光谱融合检测方案已在多家PCB制造企业完成产线验证,累计完成数万片黑油PCB的实测试验证。
项目的起点来自一次实习经历。两年前,团队负责人王文博在一家PCB制造企业品质部实习时发现,产线上的自动外观检测设备对黑色板面的缺陷识别效果很不理想,大量划痕和凹坑被漏过,最终仍需工人在强光下手持放大镜逐块复检。“工人看久了眼睛容易疲劳,判断标准也不统一,但当时没有更好的办法。”王文博回忆。
实习期间,王文博花了大量时间蹲在检测设备旁记录误报类型与漏检规律,与产线工程师反复沟通后逐渐意识到,问题根源不在设备硬件,而在黑油表面极低的反射率——传统可见光成像在源头就“拍不清楚”,后续算法再优化也难以补救。返校后,他与几位同学组建“鉴黑识瑕”团队,着手攻克这一产业难题。
团队成立后的第一步不是写代码、搭系统,而是回到产线。他们走访多家PCB厂商,站在检测设备旁观察现场、记录数据,与产线工程师、品控主管交流最头疼的缺陷类型,整理出一份涵盖数十种常见缺陷的清单,摸清了现有方案的瓶颈所在。
回到实验室后,由于缺乏现成的多光谱实验设备和缺陷样本,团队借用学校平台,积累了第一手数据集。
针对黑油板“看不清”与“判不准”两大核心问题,团队提出双轨技术方案:一是采用高分辨率线扫相机搭配多波段光源,按毫秒级时序分时频闪成像,为划痕、凹坑、异物等不同缺陷匹配最易识别的光照条件;二是通过光度立体视觉技术将多光谱二维图像序列重建为三维表面形貌,使被黑色背景掩盖的细微凹陷、浅划痕以清晰高程差呈现。在此基础上,团队自研面向小样本场景的AI检测模型,借助迁移学习与数据增强,在标注数据有限的条件下保持较高准确率与泛化能力。
在落地路径上,团队主动对接深圳市度申科技等机器视觉企业,在工业相机选型、光源定制、整机集成等环节开展联合验证。从实验室原型到产线实测,团队经历了上万次实验,逐步解决了产线震动、环境光变化、板面脏污等实际干扰问题。
据团队介绍,方案在多家PCB厂商完成产线验证后,缺陷检出率较传统方案有明显提升,漏检率大幅下降。目前,团队正与更多PCB制造企业对接,推进方案在更多产线上的复制应用。
“最开始就是想解决实习时看到的那个具体问题,没想太多别的。现在能做出来、能用上,算是有了个交代。”王文博说。
从产线实习时的一个疑问,到方案在真实产线上稳定运行,这支学生团队用了两年时间给出了自己的答案。对于这群仍在校园里的年轻人而言,产线验证只是起点,让方案在更多产线上稳定跑起来,才是接下来的硬仗。
免责声明：本文为企业宣传商业资讯，仅供用户参考，如用户将之作为消费行为参考，凤凰网敬告用户需审慎决定。
频道推荐
