Visión artificial de bajo mantenimiento para inspección automática de PCBAs
La industria de producción de electrónica es esencial en la actualidad y se apoya en herramientas automatizadas para mantener altos niveles de calidad a costos reducidos. A pesar de los recientes avances en el área del aprendizaje automático y la visión artificial, las soluciones habituales de Autom...
Saved in:
| Main Author: | |
|---|---|
| Format: | masterThesis |
| Language: | Spanish |
| Published: |
2025
|
| Subjects: | |
| Online Access: | https://hdl.handle.net/20.500.12008/53141 |
| Tags: |
No Tags, Be the first to tag this record!
|
| Summary: | La industria de producción de electrónica es esencial en la actualidad y se apoya en herramientas automatizadas para mantener altos niveles de calidad a costos reducidos. A pesar de los recientes avances en el área del aprendizaje automático y la visión artificial, las soluciones habituales de Automated Optical Inspection (AOI) en Printed Circuit Board Assemblys (PCBAs) siguen siendo basadas fuertemente en técnicas clásicas, como la segmentación manual, que si bien tienen buen rendimiento, conllevan elevados costos de mantenimiento. En este trabajo, proponemos aplicar algoritmos modernos de aprendizaje automático combinados con información de Computer Assisted Design (CAD) de los PCBAs para generar soluciones de AOI con buen desempeño y bajo mantenimiento. Adaptamos los métodos de aprendizaje por transferencia y redes siamesas al problema de detección de fallas en PCBAs, sobre conjuntos de datos de componentes electrónicos, tanto públicos como originales de este trabajo. Los resultados muestran que los algoritmos desarrollados requieren menos mantenimiento que los métodos tradicionales y son suficientemente efectivos para detectar errores de componentes incorrectos, faltantes o en exceso, aunque presentan limitaciones en la detección de errores de posicionamiento o soldadura. Mostramos que es posible usar visión artificial con aprendizaje automático para abordar el problema de manera flexible como un apoyo para el inspector humano, dando una mejora sustancial en el tiempo de inspección por placa. Sin embargo, hallamos que la carencia de conjuntos de datos públicos y de buena calidad para componentes electrónicos y fallas en PCBAs es el principal impedimento para el desarrollo de un sistema general robusto de AOI. Existe un camino prometedor para el avance del AOI incorporando nuevas tecnologías de aprendizaje automático, con un enfoque en el bajo mantenimiento que eventualmente mejoraría la eficiencia de los sistemas de control de calidad en la industria electrónica. |
|---|