Ինչպես ստուգել Al2O3, AlN և Si3N4 կերամիկական ենթաշերտերը AOI-ով

Էլեկտրական էլեկտրոնիկայի և ՌԴ մոդուլների արտադրությունը գործում է բարձր ցցերի միջավայրում: Այստեղ ենթաշերտի նույնիսկ աննշան խափանումներն արագորեն հանգեցնում են աղետալի ջերմային կամ էլեկտրական վթարների: Տարիներ շարունակ արտադրողները մեծապես ապավինում էին ձեռքով մանրադիտակային ստուգմանը այս կարևոր թերությունները հայտնաբերելու համար: Այնուամենայնիվ, մարդկային օպերատորներն անխուսափելիորեն տառապում են աչքերի հոգնածությունից, անհետևողական դատողությունից և անթույլատրելի ցածր թողունակությունից: Դուք պարզապես չեք կարող չափել մեծ ծավալի ճշգրտությունը՝ օգտագործելով միայն ձեռքի մեթոդները: Այս գործառնական խոչընդոտը դարձնում է ավտոմատացված օպտիկական ստուգման անցումը պարտադիր ժամանակակից արտադրական գծերի համար: Այս ուղեցույցը մանրամասնում է, թե ինչպես պետք է արդյունավետորեն կարգավորել և գնահատել AOI համակարգերը: Մենք ուսումնասիրում ենք, թե ինչպես վարվել ալյումինի, ալյումինի նիտրիդի և սիլիցիումի նիտրիդի ենթաշերտերի հստակ օպտիկական հատկությունների հետ: Դուք կսովորեք ապացուցված ռազմավարություններ՝ ձեր ստուգման տրամաբանությունը օպտիմալացնելու համար: Ի վերջո, դուք կարող եք բարելավել հայտնաբերման ճշգրտությունը՝ չբարձրացնելով կեղծ մերժման թանկարժեք դրույքաչափերը:

Հիմնական Takeaways

• Արդյունավետ կերամիկական ենթաշերտի AOI ստուգումը պահանջում է նյութին հատուկ օպտիկական կոնֆիգուրացիաներ. բոլորի համար հարմար լուսավորության կարգավորումը կհանգեցնի կեղծ դրական բարձր ցուցանիշների:

• Al2O3-ը, AlN-ը և Si3N4-ը ներկայացնում են եզակի պատկերային մարտահրավերներ՝ սկսած կիսաթափանցիկությունից և փայլից (Al2O3) մինչև ցածր կոնտրաստ և մուգ ֆոն (AlN, Si3N4):

• Կերամիկական ենթաշերտի թերության հուսալի հայտնաբերումը պետք է հաշվի առնի ինչպես բաց ենթաշերտի թերությունները (միկրոճաքեր, անցքեր), այնպես էլ մետաղացման/կապակցման թերությունները (DBC/AMB դատարկություններ, փորագրման սխալներ):

• AOI-ի լուծումը գնահատելիս պետք է առաջնահերթություն տրվի կեղծ զանգերի մեղմացման ալգորիթմներին, բեռնաթափման ավտոմատացված անվտանգությանը և առկա արտադրական կատարման համակարգերին (MES) ինտեգրվելու հնարավորություններին:

Կերամիկական ենթաշերտի ավտոմատ հայտնաբերման բիզնես ազդեցությունը

Էլեկտրաէներգիայի մոդուլի պատրաստումը պահանջում է բացարձակ ճշգրտություն ամեն քայլափոխի: Ավտոմատացված իրականացում կերամիկական ենթաշերտի թերության հայտնաբերումը հիմնովին պաշտպանում է ձեր արտադրական սահմանները: Առաջնային ֆինանսական ելակետը հիմնված է եկամտաբերության հավասարակշռման վրա՝ կեղծ մերժումներից: AOI համակարգերը նպատակ ունեն արդյունավետորեն գտնել թերությունները: Այնուամենայնիվ, դուք պետք է նաև նվազագույնի հասցնեք «ավելորդ սպանությունը»։ Չափից ավելի մերժումն ուղղակիորեն քայքայում է բարձր թանկարժեք նյութերի սահմանները, ինչպիսիք են ալյումինի նիտրիդը և սիլիցիումի նիտրիդը: Օպտիմիզացված օպտիկական ստուգման համակարգը անխափան կերպով տարբերում է իրական անոմալիաները ընդունելի կոսմետիկ տատանումներից:

Թերությունների վաղ հայտնաբերումը ապահովում է ձեր արտադրանքի հուսալի հուսալիությունը: Ենթաշերտի մակարդակի վրա գտնվող փոքրիկ եզրային չիպը սկզբում կարող է չնչին թվալ: Այնուամենայնիվ, այն հաճախ առաջացնում է թանկարժեք դաշտային խափանումներ վերջնական էներգիայի մոդուլներում, ինչպիսիք են IGBT-ները կամ SiC MOSFET-ները: Մենք պետք է ընդհատենք այս խնդիրները նախքան ինկապսուլյացիան կամ մետաղալարերի միացումը սկսվի: Թերության վաղ հայտնաբերումը թույլ չի տալիս արտադրողներին ավելացնել թանկարժեք սիլիցիումային բաղադրիչներ դատապարտված ենթաշերտի մեջ: 

Ավելին, արդյունաբերության խիստ կանոնակարգերը պահանջում են համապարփակ համապատասխանություն և հետագծելիություն: Ավտոմոբիլային շրջանակները, ինչպիսիք են IATF 16949-ը, պահանջում են խիստ որակի փաստաթղթեր: Օդատիեզերական ստանդարտները պահանջում են արտադրության նույնքան խիստ ռեկորդներ: AOI համակարգերը համապատասխանում են այս պահանջներին՝ ավտոմատացված պատկերների արխիվացման և թերությունների ճշգրիտ քարտեզագրման միջոցով: Նրանք ստեղծում են ձեր արտադրության որակի հուսալի թվային երկվորյակ: Այս արխիվացված տվյալները թույլ են տալիս հեշտությամբ ապացուցել համապատասխանությունը մատակարարների աուդիտի ժամանակ:

Օպտիկական մարտահրավերներ ըստ ենթաշերտի նյութի՝ Al2O3 ընդդեմ AlN ընդդեմ Si3N4-ի

Տարբեր կերամիկա ֆիզիկապես և օպտիկականորեն փոխազդում են յուրահատուկ ձևերով: Դուք չեք կարող օգտագործել ունիվերսալ լուսավորության կարգավորում բոլոր ենթաշերտի նյութերի համար: Հուսալի կերամիկական ենթաշերտի AOI ստուգումը պետք է անընդհատ հարմարվի կոնկրետ օպտիկական ֆիզիկային:

Կավահող (Al2O3). Թափանցիկության և փայլի կառավարում

Ալյումինան մեծապես ցրում է մուտքային լույսը: Նրա բյուրեղային կառուցվածքը ստեղծում է կիսաթափանցիկ մակերեսային շերտ։ Այս կիսաթափանցիկությունը հանգեցնում է ավանդական ուղիղ լուսավորության անկանխատեսելի ցատկմանը: Հետևաբար, տեսախցիկի սենսորը հաճախ ֆիքսում է չափազանց փայլը կամ մշուշոտ հետքի եզրերը: Այս խնդիրը շտկելու համար ձեր AOI-ն անհապաղ պահանջում է հատուկ ապարատային ճշգրտումներ: Դուք պետք է օգտագործեք կոաքսիալ լուսավորություն՝ համակցված սերտորեն բազմանկյուն լուսավորության հետ մեկտեղ: Coaxial լույսը թեթևակի թափանցում է կերամիկական մակերես՝ առանց պատկերի սենսորը փչելու: Բազմանկյուն LED-ները օգնում են հստակորեն սահմանել մակերեսի տոպոլոգիան: Սա կանխում է ստորգետնյա հացահատիկի արտացոլման հետևանքով առաջացած կեղծ դրական արդյունքները:

Ալյումինի նիտրիդ (AlN). Հաղթահարելով ցածր կոնտրաստը

Ալյումինի նիտրիդը ներկայացնում է բոլորովին այլ ստուգման խոչընդոտ: AlN-ը բնականաբար ավելի մուգ, անթափանց տեսք է ունենում: Այս մուգ ֆոնը կտրուկ նվազեցնում է տեսողական հակադրությունը մերկ կերամիկական և փորագրված պղնձի հետքերի միջև: Ավանդական տեսախցիկները պայքարում են հստակ սահմանային գծեր գտնելու համար: Ցածր հակադրությունը հաղթահարելու համար դուք պետք է կազմաձևեք հատուկ AOI ապարատային ճշգրտումներ: Բարձր դինամիկ տիրույթի (HDR) պատկերացումն այստեղ բացարձակապես կարևոր է դառնում: HDR-ը միաձուլում է բազմաթիվ տարբեր բացահայտումներ՝ բացահայտելու թաքնված հետքի մանրամասները: Բացի այդ, հատուկ ալիքի երկարության լուսավորության օգտագործումը կտրուկ բարելավում է տեսանելիությունը: Կապույտ կամ ուլտրամանուշակագույն լույսի տեղակայումը զգալիորեն մեծացնում է մակերեսի եզրերի հայտնաբերումը: Այս ավելի կարճ ալիքների երկարությունները ավելի քիչ են ցրվում՝ ապահովելով հստակ ուրվագծեր անթափանց ֆոնի վրա:

Սիլիցիումի նիտրիդ (Si3N4). հայտնաբերում է միկրո ճաքեր ավելի կոպիտ հյուսվածքների վրա

Սիլիցիումի նիտրիդը պարծենում է կոտրվածքի բացառիկ բարձր ամրությամբ: Չնայած այս տպավորիչ մեխանիկական ուժին, այն շարունակում է ենթարկվել դժվար տեսանելի միկրոճաքերի: Si3N4-ը նաև առանձնանում է մակերեսի հյուսվածքի զգալի տատանումներ: Մուգ մոխրագույն կամ մուգ ֆոնը չափազանց լավ թաքցնում է տեղագրական անոմալիաները: Այս ավելի կոպիտ հյուսվածքի դեմ նուրբ քերծվածքների հայտնաբերումը ամեն օր մարտահրավեր է նետում ստանդարտ օպտիկային: Ձեր AOI կարգավորումները պետք է ներառեն մութ դաշտի ուժեղ լուսավորություն: Մութ դաշտի լուսավորությունը լույսի աղբյուրը շատ մոտ է ուղղում հորիզոնականին: Այս տեխնիկան հիանալի կերպով ընդգծում է տեղագրական անոմալիաները: Ցանկացած քերծվածք կամ միկրո ճեղք գրավում է ցածր անկյան լույսը և պայծառ փայլում մուգ ֆոնի վրա:

Օպտիկական բնութագրերի ամփոփ աղյուսակ

Հիմնական թերությունների կատեգորիաները և հայտնաբերման տրամաբանությունը

Պատշաճ պատկերը լուծում է ստուգման խնդրի միայն կեսը: Դուք նաև պետք է հաստատեք հայտնաբերման կայուն տրամաբանություն՝ այդ նկարահանված պատկերները ճշգրիտ մեկնաբանելու համար: Մենք առաջնային թիրախները բաժանում ենք մերկ կերամիկական անոմալիաների և մետաղացման թերությունների:

Մերկ կերամիկական թերություններ

Չկապակցված ենթաշերտի ստուգումը պահանջում է ակտիվորեն փնտրել բնորոշ կառուցվածքային թուլությունները:

• Ճեղքեր և եզրերի ճեղքվածք. մեխանիկական վնասը հաճախ առաջանում է սինուլյացիայի կամ խորանարդի գործընթացների ժամանակ: Ձեր ստուգման տրամաբանությունը պահանջում է եզրին հատուկ լուսավորություն՝ այս փոքրիկ կոտրվածքները բռնելու համար: Տեսախցիկները, որոնք տեղադրված են թեք անկյուններով, անընդմեջ հետևում են պարագծին, որպեսզի հայտնաբերվեն ատամնավոր չիպեր:

• Փորվածքներ. Կառուցվածքային փոխզիջումներ գտնելը պահանջում է ծայրահեղ ճշգրտություն: Այս առաջադրանքը պահանջում է փոխանցվող լույս, որպեսզի ամբողջովին փայլի նյութի միջով: Որպես այլընտրանք, դուք կարող եք տեղադրել բարձր լուծաչափով վերևից ներքև պատկերներ: Ծրագրաշարը նշում է ցանկացած մութ կետեր, որոնք ավտոմատ կերպով ցույց են տալիս կերամիկական նյութի բացակայությունը:

• Աղտոտվածություն և բծեր. արտադրական միջավայրը անխուսափելիորեն ներմուծում է օտար մասնիկներ: Հայտնաբերման ալգորիթմը պետք է տարբերի անվնաս գունաթափումը և կրիտիկական օտար նյութը: Գույնի վրա հիմնված շեմն օգնում է զտել մշակման ընդունելի բծերը իրական կործանարար բեկորներից:

Մետաղացման և կապի թերություններ (DBC/AMB)

Երբ պղնձը ուղղակիորեն կապվում է կերամիկայի հետ, առաջանում են թերությունների նոր դասեր: Direct Bonded Copper (DBC) և Active Metal Brazing (AMB) գործընթացները ներկայացնում են հստակ անոմալիաներ:

• Պղնձի կլեպ և շերտազատում. Ծայրահեղ ջերմային սթրեսը հանգեցնում է նրան, որ պղնձի շերտերը դանդաղորեն անջատվում են: Այս բշտիկների նման կազմավորումների բացահայտումը պահանջում է առաջադեմ ծավալային տեխնիկա: 3D AOI կամ կառուցվածքային լույսը նախագծում է ցանցի նախշերը թիրախային մակերեսի վրա: Ցանցի աղավաղումները բացահայտում են բարձրության անընդունելի տատանումները, որոնք առաջացել են ներքին շերտազատման հետևանքով:

• Փորագրման թերություններ (շորտեր/բաց). Քիմիական փորագրման գործընթացները հաճախ թողնում են անցանկալի պղինձ կամ հեռացնում չափազանց շատ նյութ: Մենք այստեղ տեղադրում ենք ստանդարտ 2D երկրաչափական կանոնների վրա հիմնված ալգորիթմներ: Ծրագիրը ճշգրիտ չափում է հետքի լայնությունը և տարածությունը: Այն հաստատում է, որ բոլոր չափերը ապահով մնան դիզայնի թույլատրելի սահմաններում:

• Օքսիդացում. մակերևույթի չափից ավելի օքսիդացումն ավելի ուշ վատացնում է զոդման աշխատանքը: Մենք օգտագործում ենք գույնի վրա հիմնված ստուգման տրամաբանությունը՝ պղնձի օքսիդացման անընդունելի մակարդակները հայտնաբերելու համար: Համակարգը մերժում է այն վահանակները, որոնք ցույց են տալիս մուգ շագանակագույն կամ մանուշակագույն երանգներ, որոնք գերազանցում են սահմանված շեմերը:

Ստանդարտ թերությունների գնահատման աղյուսակ

AOI համակարգի հնարավորությունների գնահատում կերամիկական արտադրության գծերի համար

Տեսչական համակարգի ձեռքբերումը պահանջում է մանրակրկիտ տեխնիկական ստուգում: Դուք պետք է գնահատեք, թե որքան լավ են սարքավորումն ու ծրագրակազմը վարվում փխրուն, բարձրարժեք բաղադրիչների հետ:

Լուսավորության ճարտարապետություն

Ծրագրավորվող, բազմագոտի, բազմագույն լուսադիոդային լուսավորությունը ներկայացնում է ապարատային պահանջներ, որոնք սակարկելի չեն: Խառը նյութերի արտադրության գծերը հաճախ անցնում են ալյումինի և սիլիցիումի նիտրիդների խմբաքանակների միջև: Դուք չեք կարող թույլ տալ ֆիզիկապես փոխել թեթեւ գմբեթները յուրաքանչյուր խմբաքանակի համար: Ծրագրային ապահովման միջոցով կառավարվող լուսավորությունը թույլ է տալիս ակնթարթորեն փոխել բաղադրատոմսը: Այս ճկունությունը պահպանում է բարձր թողունակությունը՝ միաժամանակ օպտիմալացնելով օպտիկական հակադրությունը յուրաքանչյուր կոնկրետ տեսակի ենթաշերտի համար:

Տեսախցիկի լուծման և թողունակության փոխզիջումներ

Ինժեներները մշտապես հավասարակշռում են պատկերի մանրամասները արտադրության արագության հետ: Մազերի վտանգավոր ճաքերը հուսալիորեն բռնելու համար ձեզ պետք է ենթամիկրոնային լուծում: Այնուամենայնիվ, բարձր լուծաչափով սկանավորումը զգալիորեն դանդաղեցնում է ցիկլի ժամանակները: Դուք պետք է բավարարեք մեծածավալ արտադրության խիստ պահանջները մեկ ժամում (UPH): Մենք խորհուրդ ենք տալիս նախ հաշվարկել ամենափոքր կրիտիկական թերության չափը: Այնուհետև ընտրեք տեսախցիկի սենսոր, որն արտացոլում է այդ թերության ճիշտ երեքից չորս պիքսել: Այս հարաբերակցությունը ապահովում է հուսալի հայտնաբերում առանց ավելորդ պատկերի տվյալների մշակման:

Ծրագրային AI VS. Կանոնների վրա հիմնված ալգորիթմներ

Ժամանակակից հարթակները միավորում են երկու հստակ վերլուծական մոտեցումներ՝ առավելագույնի հասցնելու ճշգրտությունը:

1. Կանոնների վրա հիմնված տրամաբանություն. այս ավանդական մոտեցումը մնում է լավագույնը խիստ երկրաչափական չափումների համար: Այն գերազանցում է հետքերի լայնությունը ստուգելու, պահելու գոտիները ստուգելու և պահոցների հավասարեցումները ապահովելու հարցում: Տրամաբանությունը ամեն անգամ կատարելապես հետևում է կոշտ մաթեմատիկական պարամետրերին:

2. AI և Deep Learning. Արհեստական ​​ինտելեկտը կարևոր է դառնում սուբյեկտիվ թերությունները ճշգրիտ դասակարգելու համար: Այն սովորում է քերծվածքների խստության մակարդակների նուրբ տարբերությունները: AI-ն հեշտությամբ տարբերում է անվնաս ջրի բիծը կրիտիկական էլեկտրական այրվածքի նշանից: Խորը ուսուցման օգտագործումը ակտիվորեն նվազեցնում է կեղծ դրական ցուցանիշները:

Կառավարում և ավտոմատացում

Մենք պետք է մանրակրկիտ գնահատենք ֆիզիկական ինտեգրման հնարավորությունները։ Կերամիկան հայտնիորեն փխրուն նյութեր են: AOI մեքենան պետք է ունենա բացառապես ցածր լարվածության սեղմման մեխանիզմներ: Որպես այլընտրանք, դուք պետք է փնտրեք վակուումային տրանսպորտային գոտիներ: Այս համակարգերը ապահովում են տախտակը առանց ծայրի կոշտ ճնշում գործադրելու: Ստուգման ընթացքում նոր մեխանիկական սթրեսի առաջացումը կանխելը մնում է առաջնային:

Իրականացման ռիսկեր և կիրառման դասեր

Նոր տեսչական հարթակի ինտեգրումը հազվադեպ է պատահում անթերի մեկ գիշերվա ընթացքում: Դուք պետք է ակնկալեք տեղակայման հատուկ մարտահրավերներ՝ արտադրության հանկարծակի ուշացումներից խուսափելու համար:

«Գրադարանի թյունինգ» փուլ

Յուրաքանչյուր օպտիկական համակարգ պահանջում է նախնական ուսուցման կոր: Այս կրիտիկական շրջանը մենք անվանում ենք գրադարանի կարգավորման փուլ: Դուք պետք է համապատասխան ժամանակ հատկացնեք ինժեներներին՝ AI մոդելներին պատշաճ կերպով վարժեցնելու համար: Նրանք պետք է համակարգը կերակրեն հարյուրավոր պատկերներով, որոնք ցույց են տալիս ընդունելի VS անընդունելի կոսմետիկ տատանումները: Այս փուլի շտապելը հետագայում ուղղակիորեն առաջացնում է կեղծ մերժման զանգվածային աճեր: Տեղադրման ընթացքում համբերությունը երաշխավորում է երկարաժամկետ կայունություն:

Շրջակա միջավայրի փոփոխականներ

Կոշտ գործարանային միջավայրը մշտապես սպառնում է զգայուն օպտիկական տրամաչափումներին: Գործարանի շրջակա միջավայրի լուսավորությունը կարող է հեշտությամբ խանգարել բարձր զգայունության օպտիկական սենսորներին: Անցնող բեռնատարների կամ վերևում թարթող լույսերի ստվերները անկանխատեսելիորեն փոխում են պատկերի կոնտրաստը: Ավելին, օդային փոշին նստում է ոսպնյակների և ենթաշերտերի վրա՝ ամեն օր առաջացնելով կեղծ թերություններ: Մեքենաների պատշաճ պատյանների ներդրումը արդյունավետորեն լուծում է այս խնդիրները: Մենք նաև բարձր խորհուրդ ենք տալիս պահպանել մաքրության սենյակի խիստ ստանդարտները անմիջական ստուգման գոտում:

Տվյալների գերբեռնվածություն

Բարձր լուծաչափով տեսախցիկները արագորեն ստեղծում են հսկայական ֆայլեր: Սա ստեղծում է գործարանային ցանցերն ակնթարթորեն ճնշելու լուրջ վտանգ: ՏՏ ենթակառուցվածքը հաճախ դժվարանում է ամեն րոպե հեռարձակել չսեղմված գիգաբայթ պատկերային տվյալներ: Դուք պետք է հաստատեք խիստ ուղեցույցներ տվյալների վաղաժամ պահպանման համար: Ագրեսիվ կերպով սեղմեք անցնող պատկերները և պահեք միայն անկորուստ ֆայլերը մերժված տախտակների համար: Ապահովեք հարթ հաղորդակցություն՝ օգտագործելով ստանդարտ MES ինտեգրման արձանագրությունները, ինչպիսիք են SECS/GEM-ը:

Եզրակացություն

Ավտոմատացված օպտիկական զննումը փոխակերպում է ենթաշերտի արտադրությունը ռեակտիվ անսարքությունների վերացումից պրոակտիվ որակի վերահսկման: Շատ հաջող ներդրում ապահովելու համար ուղղակիորեն կենտրոնացեք այս վճռական գործողությունների վրա.

• Կարճ ցուցակ՝ խստորեն ըստ նյութական կարողությունների. Ընտրեք AOI վաճառողներին՝ հիմնվելով ձեր կոնկրետ ենթաշերտի նյութը պատկերելու նրանց ցուցադրելի ունակության վրա: Փորձարկեք դրանք իրական արտադրության պայմաններում, ոչ միայն իդեալական լաբորատոր միջավայրում:

• Նախապես պահանջեք մասնագիտացված օպտիկա. նախքան լուրջ առևտրային քննարկումներ սկսելը հաստատեք, որ սարքավորումն աջակցում է մութ դաշտի, կոաքսիալ և բազմալիքային լուսավորության:

• Կատարեք կառուցվածքային ապացույցի հայեցակարգ (PoC). Ապահովեք AOI վաճառողին 'ոսկե տախտակ' հայտնի սահմանային թերությունների խմբաքանակով: Օգտագործեք սա՝ կապիտալ ծախսերից առաջ նրանց կեղծ դրական և կեղծ բացասական դրույքաչափերը ապահով կերպով համեմատելու համար:

• Ծրագրեք կայուն ցանցի թողունակություն. Նախապես թարմացրե՛ք ձեր սերվերի ենթակառուցվածքը՝ բարձր լուծաչափով օպտիկական սկանավորման արդյունքում առաջացած տվյալների հսկայական բեռները կարգավորելու համար:

Ժամանակ հատկացրեք՝ գնահատելու ֆիզիկական բեռնաթափման համակարգերը մաքուր օպտիկական կատարողականության հետ մեկտեղ: Գործընկերությունը վաճառողի հետ, ով հասկանում է փխրուն նյութերի տեղափոխումը, կանխում է բեռնաթափման հետևանքով առաջացած կոտրվածքները: Սկսեք ձեր վաճառողի գնահատումը այսօր՝ նախապատրաստելով ձեր վատթարագույն թերությունների նմուշները նախնական հենանիշային փորձարկման համար:

ՀՏՀ

Հարց. Ո՞րն է կերամիկական ենթաշերտի AOI-ի ստուգման տիպիկ կեղծ կանչի դրույքաչափը:

A. Կեղծ զանգերի դրույքաչափերը խիստ տարբերվում են ըստ նյութի տեսակի և ալգորիթմի հասունության: Կանոնների վրա հիմնված ավանդական համակարգերը հաճախ պայքարում են կերամիկական հյուսվածքի հետ՝ երբեմն գերազանցելով կեղծ մերժումների 10%-ը: Այնուամենայնիվ, ժամանակակից սարքավորումները սովորաբար ուղղված են կեղծ զանգերի 3%-ից պակաս: Այս բացառիկ ցածր մակարդակի հասնելու համար պահանջվում է օպտիմիզացված Deep Learning համակարգերի օգտագործում, որոնք վերապատրաստվել են ամուր արատավոր գրադարանների վրա:

Հարց. Կարո՞ղ է 2D AOI-ն հայտնաբերել պղնձի շերտազատում DBC-ի ենթաշերտերի վրա:

A: 2D AOI-ն հիմնականում հիմնված է կոնտրաստի և գունային փոփոխությունների վրա: Այն լավ է աշխատում մակերեսի մակերեսը չափելու և գունաթափումը նկատելու համար: Այնուամենայնիվ, այն չի կարող հուսալիորեն հայտնաբերել պղնձի շերտազատումը: Բարձրության տատանումները չափելու համար ձեզ անհրաժեշտ են 3D AOI կամ կառուցվածքային լուսային համակարգեր: Միայն 3D քարտեզագրումը ճշգրիտ նույնացնում է ներքին շերտազատմանը բնորոշ իրական բշտիկների գոյացությունները:

Հարց. Արդյո՞ք կերամիկական հիմքի հաստությունը ազդում է ստուգման գործընթացի վրա:

A: Այո, հաստությունը զգալիորեն ազդում է օպտիկական ստուգման գործընթացի վրա: Այս ազդեցությունը առավել ցայտուն է երևում կիսաթափանցիկության դեպքում, հատկապես ալյումինե ենթաշերտերի համար: Ավելի հաստ ենթաշերտերը արգելափակում են ավելի շատ լույս՝ նվազեցնելով փայլը, բայց պահանջում է ավելի բարձր լուսավորության ուժ: Հաստության տատանումները կարող են պահանջել, որ օպերատորները կարգավորեն ներքևից վեր լուսավորության ինտենսիվությունը կամ շարունակաբար վերահաշվառեն կիզակետային խորությունը: