Sherlock AI 是PCB 行业工艺改进和质量改进中的关键工具。PCB 市场是巨大的，随着技术的进步，对更小、更高性能的零件的需求也在增加。然而，传统算法在AOI检测方面存在局限性，特别是对于复杂的缺陷检测。Sherlock8 AI 软件通过整合 AI 深度学习技术来提高检测精度和速度，使 PCB 制造商能够更好地应对产品质量控制的挑战。该技术的应用有望促进未来PCB行业的进一步发展，提高整个电子信息行业的生产效率和质量水平。
PCB行业发展以来，其应用领域几乎涉及所有电子产品，主要涵盖通讯、消费电子、汽车电子、服务器、工控、医疗、航空航天等行业。PCB产业的增长与下游电子信息产业的发展势头息息相关，两者相互促进。未来，随着电子信息产业的不断发展，PCB的应用领域将越来越广泛。PCB的主要功能是使各种电子元件按照预定的电路连接，起到电气连接的作用。印刷电路板是用于组装电子元件的关键互连部件，不仅为电子元件提供电气连接，还承载着电子设备的数字和模拟信号传输、供电以及射频和微波信号的传输和接收功能。作为电子信息产业的基础， PCB印制电路板行业的市场规模是巨大的.据相关数据显示，2023年全球PCB市场规模为739亿美元，随着下游应用领域的发展，预计未来五年全球PCB行业将继续呈现稳健增长态势。据相关机构预测，到2028年，全球PCB市场产值将超过900亿美元。
作为电子信息产业的基础， PCB印制电路板行业的市场规模是巨大的.据相关数据显示，2023年全球PCB市场规模为739亿美元，随着下游应用领域的发展，预计未来五年全球PCB行业将继续呈现稳健增长态势。据相关机构预测，到2028年，全球PCB市场产值将超过900亿美元。随着PCB板高密度、小孔径定向技术的成熟。目前，PCB已经从早期的单层/双层和多层板升级为HDI Microvia PCB、HDI AnyLayer PCB和目前的热基板类板，产品线宽和线间距正在逐渐缩小。与传统PCB相比，HDI可以实现更小的孔径、更细的线宽和更少的过孔，节省PCB布线面积，大大提高元件密度，改善射频干扰/电磁干扰。SLP（类基板PCB，类基板）与HDI板相比，可以将HDI中的线宽/线距从40/50微米缩短到20/35微米，同一面积的电子元器件数量可以达到HDI的两倍，已经用于苹果、三星等高端手机产品。几个月前，苹果发布了其最新的iPhone，其中一些配备了新的A3仿生芯片，采用了台湾台积电生产的新的17nm制造工艺。据报道，苹果采购了台积电能够生产的所有3nm芯片。这些芯片比其 5nm 前辈更小、更快、功耗更低、更节能。据苹果公司称，每个芯片有190亿个晶体管，其中一些晶体管非常小，可能只有12个硅原子宽。同样的压力也延伸到印刷电路板制造领域。据报道，苹果将改用树脂涂层铜（RCC）箔作为其新的PCB材料，使该公司能够使其更薄。这对制造商来说将是一个挑战，因为RCC箔非常脆弱，以至于研究人员在IEEE上发表的文章指出，它在层压过程中特别容易受到热和压力的影响。仅仅创新是不够的，你必须盈利。《信息》杂志的一份新报告描述了苹果在降低成本方面获得的有利条件：作为巨额订单的回报，台积电将不得不承担有缺陷的处理器芯片的成本。因此，虽然像TSM这样的晶圆厂正在通过开发更小的节点工艺来降低芯片尺寸和功耗来增强竞争力，但它们在质量方面将面临严峻的挑战。
对于许多公司来说， 质量控制是 PCB 制造链中的主要瓶颈， 包括可靠性测试和缺陷 PCB 的返工. 提高质量控制的速度和效率可以显著提高产量和良率， 降低制造成本， 减少浪费.大多数 PCB 制造商使用自动光学检测 （AOI） 来监控印刷电路板中的缺陷。当印刷板上的焊接、连接、焊盘和走线出现缺陷时，这提供了强有力的保证。基于传统算法的AOI已被证明对于早期检测装配过程中出现的问题非常有用，例如短路、开路、焊缝变薄、走线划痕等。特别是，划痕对电路板来说可能是“致命的”，会改变其电气特性并导致成品完全失效。AOI的优点是直接集成在PCB生产线的末端，在层压和蚀刻之前，比其他方法更早地检测到可能的缺陷。成像系统捕获低至几微米的高分辨率图像，然后将它们与“完美”模型板的图像或良好和有缺陷样品的图像数据库进行比较。
但是传统的AOI算法通常依赖于手动设计的特征提取器，例如边缘检测和形状匹配。这些方法在简单的场景中可能效果很好，但在复杂的PCB缺陷检测中，需要大量的人工干预和专业知识来设计合适的特征提取器。传统算法通常不太适应新的、看不见的缺陷或变体类型，需要手动重新设计和调整算法。传统算法通常需要由专业人员设计和实现，对新问题的适应性较差，需要大量的时间和精力进行调试和优化。但是传统的AOI算法通常依赖于手动设计的特征提取器，例如边缘检测和形状匹配。这些方法在简单的场景中可能效果很好，但在复杂的PCB缺陷检测中，需要大量的人工干预和专业知识来设计合适的特征提取器。传统算法通常不太适应新的、看不见的缺陷或变体类型，需要手动重新设计和调整算法。传统算法通常需要由专业人员设计和实现，对新问题的适应性较差，需要大量的时间和精力进行调试和优化。
因此，随着对更小、更高性能零件的需求，由此产生的材料缺陷的复杂性和微妙性意味着传统的手动检测或基于规则的成像可能根本无法胜任这项任务。一家半导体 OEM 设备制造商需要检查 PCB 组件是否存在各种细微缺陷，包括破损、磨损、污染、碎屑和气泡。但是，使用传统的基于规则的图像处理无法提供所需的精度。他们面临着在现有流程中未被发现的缺陷零件的增加，从而推高了成本。他们需要一个新的解决方案。为了克服这些障碍，部分生产商决定尝试 AI 深度学习，以满足检测 PCB 及其组件缺陷的精度要求。他们选择了 Teledyne DALSA 的 Sherlock8 AI 检测软件套件。Sherlock8 AI 软件使他们能够在 AOI 机器中使用 AI 功能扩展基于规则的算法。Sherlock8 AI 软件被证明是该 OEM 厂商的理想解决方案，使他们能够使用大部分现有系统，同时更准确地检测其他方法可能遗漏的细微缺陷，包括破损、磨损、污染和碎屑。使用 Sherlock8 AI，PCB厂商能够在 12-14 毫秒内以 98% 的准确率连续分类 200 张图像， 以及 453 张好图像和 11 张 NG 图像，准确率为 98%，准确率为 100%。此外，当同时在零件图像上寻找多个缺陷时，他们能够以 259 张图像和 20 毫秒的速度执行目标检测，达到 99.62% 的准确率。
PCB 上的晶体管可能会有许多微小的变化，这些变化可能会也可能不会影响性能。过去几年在人工智能机器学习领域取得的巨大进步就是针对此类应用的。其结果是一条生产线可以准确地检测印刷电路板上的细微缺陷，而无需劳动密集型的人工检测。人工智能深度学习为传统的基于规则的图像处理提供了一种可靠和稳定的替代方案，传统的图像处理通常无法检测到细微的缺陷。总体而言，得益于 Teledyne DALSA 的 Sherlock8 AI 软件，OEM 厂商在 PCB 缺陷检测的准确性和速度方面都得到了显著提高，使他们能够减少缺陷，同时提供符合其规格的更高质量的产品。时至今日，该行业仍在从2021年开始的全球半导体短缺中缓慢复苏。尽管麦肯锡分析师预测，未来十年近70%的半导体增长将仅由三个行业推动：汽车、计算和数据存储以及无线通信，但这些行业仍在追赶错过产品发布、延迟更新、价格上涨和更高的期望。压力与日俱增。
如 Sherlock8 这样的深度学习和人工智能软件系统可以快速提高最大瓶颈的速度和准确性：质量控制。公司可以将质量控制转化为竞争优势，提高速度并降低成本，同时在紧密联系的行业中建立信任，而不是成为问题。更好的产品可能只是一个开始。半导体公司在生成和分析数据方面已经处于领先地位，但机器学习和人工智能提供的帮助肯定会提高每家公司运营的生产力。预测性维护和良率、研发投资，甚至上市战略和产品优化都可能受益于更多的数据和更好的机器学习。
川公网安备 51010402000667号