Detecting Manufacturing Defects in PCBs via Data-Centric Machine Learning on Solder Paste Inspection Features

要約

はんだペースト検査 (SPI) および自動光学検査 (AOI) 装置を使用したプリント基板 (PCB) 製造における欠陥の自動検出は、業務効率を向上させ、手動介入の必要性を大幅に減らすのに役立ちます。
この論文では、SPI で抽出された 600 万ピンの特徴を使用して、PCB 製造の 3 つの段階で PCB 欠陥を検出するための機械学習 (ML) モデルをトレーニングするデータ中心のアプローチを実証します。
600 万個の PCB ピンは、15,387 個の PCB に属する 200 万個のコンポーネントに対応します。
基本の極度勾配ブースティング (XGBoost) ML モデルを使用して、データ前処理ステップを反復して検出パフォーマンスを向上させます。
コンポーネントと PCB ID を使用してピンレベルの SPI 機能を組み合わせ、コンポーネントと PCB レベルでもトレーニング インスタンスを開発しました。
これにより、ML モデルは、ピン レベルでは明らかではないピン間、コンポーネント間、または空間効果を捉えることができます。
モデルはピン、コンポーネント、PCB レベルでトレーニングされ、さまざまなモデルからの検出結果が組み合わされて、欠陥のあるコンポーネントが特定されます。

要約(オリジナル)

Automated detection of defects in Printed Circuit Board (PCB) manufacturing using Solder Paste Inspection (SPI) and Automated Optical Inspection (AOI) machines can help improve operational efficiency and significantly reduce the need for manual intervention. In this paper, using SPI-extracted features of 6 million pins, we demonstrate a data-centric approach to train Machine Learning (ML) models to detect PCB defects at three stages of PCB manufacturing. The 6 million PCB pins correspond to 2 million components that belong to 15,387 PCBs. Using a base extreme gradient boosting (XGBoost) ML model, we iterate on the data pre-processing step to improve detection performance. Combining pin-level SPI features using component and PCB IDs, we developed training instances also at the component and PCB level. This allows the ML model to capture any inter-pin, inter-component, or spatial effects that may not be apparent at the pin level. Models are trained at the pin, component, and PCB levels, and the detection results from the different models are combined to identify defective components.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google