受動部品のメーカーは現在、手作業による品質管理コストの上昇という深刻な課題に直面しています。人間の目視検査に依存すると、大量生産の際に深刻なボトルネックが生じます。オペレーターの疲労は並べ替えの一貫性のなさにつながり、最終的にはブランドの評判に悪影響を及ぼします。サーミスタの製造では、最終パッケージングの前に厳格な外観と寸法の検証が必要です。電気的機能は長期的な機械的安定性を保証しないため、NTC サーミスタと PTC サーミスタは両方とも物理的検証が必要です。部品が顧客に出荷される前に、工場現場で物理的な欠陥を見つけなければなりません。
この記事は、生産管理者と品質エンジニアのための意思決定段階の評価ガイドとして役立ちます。この特殊な機械が生産ラインで何をしているのかを詳しく見ていきます。自動ビジョンシステムの実装の現実を理解できます。また、特定の施設要件に適した自動機械を評価する方法についても概説します。
欠陥範囲: サーミスタ AOI 機械は、電気試験では見逃される表面欠陥、コーティングの不均一性、および端子の奇形を特に分離します。
誤通話管理: ハイエンドの外観検出 AOI 機器の定義基準は、高い欠陥捕捉率と低い誤拒否 (オーバーキル) 率のバランスをとる能力です。
ライン統合: 最新のシステムは、単純なオフライン サンプリングからインライン検査に移行し、サイクル タイムを低下させることなく、matsuba コンポーネントのような複雑な形状に適応します。
ベンダーの評価: 最終候補リストでは、純粋な理論上の処理速度よりも、光学解像度、アルゴリズムの柔軟性 (AI 対ルールベース)、統合サポートを優先する必要があります。
電気テストにより、基本的なコンポーネントの機能を簡単に検証できます。ただし、機能テストでは微細な物理的欠陥を見つけることはできません。電気テストでは、微小な亀裂、エポキシのボイド、および微妙な鉛の酸化が見逃されます。これらの隠れた欠陥は、部品が熱サイクルを受けるときにフィールドでの早期故障を引き起こすことがよくあります。また、クライアントが自動 PCB 実装を試行したときに、下流アセンブリの問題も引き起こします。これらの機械的リスクを分離するには、専用のビジョン システムが必要です。
最新の外観検査システムは、複数の重要なチェックを同時に処理します。コンポーネントをミリ秒単位でスキャンして、機械的な完全性を確保します。これらの機能は 3 つの主要な検出ゾーンに分類できます。
コーティングと封止の検証
サーミスタは安定したエポキシまたはガラスのカプセル化に依存しています。カメラは、サーミスタ ヘッド上の気泡、欠け、または不均一なコーティングを識別します。泡が湿気を閉じ込めます。湿気は最終的に内部ショートを引き起こします。コーティングが不均一であると、センサーの熱応答時間が変化します。高速カメラは、カプセル化がコンポーネントを均一に覆っていることを確認します。
リードおよび端子の検査
ピンが曲がると、PCB 挿入の歩留まりが低下します。このシステムはピッチとスパンをミクロンレベルの精度で測定します。リード線の曲がり、酸化、変形を瞬時に検出します。鉛の酸化により、リフロー中のはんだの適切な濡れが妨げられます。視覚システムは酸化に伴う変色を識別し、梱包前に不良部品を分離します。
マーキングと色分け
多くの受動コンポーネントは、識別のためにカラー バンドまたは小さな英数字プリントを使用します。視覚システムはこれらのマーキングを検証します。カラーバンドの可読性と正確性を厳密にチェックします。色あせたプリントや間違ったカラーシーケンスは、即座に拒否されます。
現代のサプライチェーンでは、包括的な監査証跡が必要です。高品質 外観検査AOI装置により、 あらゆる欠陥データをデジタル化します。拒否されたすべての部品の画像をキャプチャし、特定の故障モードを記録します。このデータにより、ISO および IATF への準拠に必要な厳密なトレーサビリティが作成されます。自動車および医療分野では、このレベルのデータ ログが必要です。欠陥をデジタル化することで、品質チームは上流の成形または浸漬プロセスの根本原因分析を実行できます。
標準のフラット SMD 検査は比較的簡単なプロセスです。平らなコンポーネントはコンベア ベルト上に完全に静止しています。複雑な 3D コンポーネントの検査には、まったく異なるエンジニアリング上の課題が伴います。
従来のフラットベッド カメラは、異形の部品を検査する場合には失敗します。ワイヤーリード付きサーミスタは三次元の深さを持っています。平らに座ることはできません。専門化された マツバコンポーネントのAOI装置は、 これらの繊細で特殊な形状を美しく処理します。これらのシステムは、カスタム ハンドリング トレイと高精度のインデックス メカニズムを使用します。機械的ストレスを引き起こすことなく、ワイヤリードまたはカスタム端子コンポーネントを安定させます。カメラは凹凸のある表面全体にわたって正確な焦点深度を維持し、かさばる頭と細いワイヤーリードの両方を同時に捉えます。
標準的な平面照明では、大きく湾曲したガラス表面を検査することはできません。標準的な照明では大きなまぶしさが生じます。マルチアングル照明は、この特定の問題を解決します。高度なマシンは、さまざまな照明アレイをシーケンスして影を除去し、湾曲したサーミスター ヘッドや金属ピンの反射を正規化します。
同軸照明: 平らな反射面を強調表示して、表面の傷を確認します。
ローアングル照明: テクスチャ全体に影を落として、エッジの欠けや微小な亀裂を強調します。
ドーム照明: 柔らかい間接照明を提供し、光沢のあるガラスのカプセル化からの強いまぶしさを取り除きます。
システムはこれらのライトを高速で連続的にパルス点灯します。カメラは、さまざまな照明条件下で複数のフレームをキャプチャします。次に、ソフトウェアはこれらの画像を結合して、コンポーネントの完全な幾何学的プロファイルを形成します。
適切な機械を選択するには、構造化されたアプローチが必要です。特定のハードウェア機能を、希望する制作結果に直接マッピングする必要があります。マーケティング仕様のみに基づいて機械を購入することは避けてください。
解像度とサイクルタイム
より高いメガピクセルのカメラは、小さな微小亀裂を容易に検出します。ただし、25 メガピクセルの画像の処理には、5 メガピクセルの画像の処理よりもミリ秒ほど長くかかります。この遅延に 1 時間あたり 20,000 個のコンポーネントを乗じると、ラインのボトルネックがすぐに現れます。必要な時間当たりの単位数 (UPH) のスイート スポットを評価する必要があります。許容範囲が小さな表面上の傷を許容する場合は、低解像度で高速のカメラを使用すると、スループットが最大化される可能性があります。
アルゴリズム的アプローチ
実際の検査はソフトウェアによって行われます。従来のルールベースのアルゴリズムまたは深層学習ビジョン モデルを選択できます。ルールベースのシステムは、厳密な幾何学的パラメーターに依存します。リードピッチの測定に優れています。深層学習モデルは、コーティングの微妙なばらつきなどの主観的な表面欠陥を見つけることに優れています。 AI は樹脂の色の許容可能な変動を理解するため、誤検知を大幅に削減します。
表: アルゴリズムによるアプローチの比較
特徴 |
ルールベースのアルゴリズム |
ディープラーニング（AI）のビジョン |
|---|---|---|
セットアップ時間 |
単純なジオメトリでは高速 |
より長いトレーニング時間が必要になる |
欠陥の柔軟性 |
硬い;予期せぬ差異で失敗する |
微妙な変化にも高い適応力を発揮 |
最優秀アプリケーション |
厳密な寸法測定（リードスパン） |
主観的な外観欠陥（塗装色） |
誤報率 |
複雑な反射面でより高い |
最適化後の大幅な低下 |
ハンドリング機構
機械がコンポーネントを移動する方法は重要です。システムは、重力送りトラック、テープアンドリール機構、またはカスタムインデックスダイヤルを使用します。重力トラックは高速ですが、壊れやすいガラスコーティングが欠ける危険があります。インデックスダイヤルは優しく正確な操作を提供しますが、コストが高くなります。選択した処理システムは上流および下流の流れに適合する必要があります。検査プロセス中にサーミスタに機械的損傷を与えてはなりません。
自動ビジョンシステムを工場現場に導入するには、常にハードルが伴います。制作スタッフがスムーズに導入できるように、これらの課題を早期に予測する必要があります。
多くのベンダーは、プラグアンドプレイのシンプルさを約束しています。実際には、光学検査には忍耐と調整が必要です。工場環境では、振動、周囲光の変化、粉塵などの変動要因が生じます。
新しい AOI 機器は 、多くの場合、初期に高い本人拒否率を生成します。このシステムは、微視的な非機能的な異常を検出するため、完全に正常な部品を拒否します。これをオーバーキルフェーズと呼びます。検査しきい値を最適化するには、専用の調整期間が必要です。オペレータは、どの表面上の欠陥が許容されるかをソフトウェアに教えなければなりません。
堅牢な欠陥ライブラリを構築するには時間がかかります。マシンの電源を入れるだけで完璧を期待することはできません。システムに何千ものサンプルを供給する必要があります。
正常であることがわかっているコンポーネントのベースラインをスキャンして、許容可能な差異を確立します。
特定の欠陥 (亀裂、気泡、リード線の曲がり) がある既知の不良コンポーネントを導入します。
異なる樹脂の色に合わせて照明の強度を調整します (例: 黒エポキシと緑エポキシ)。
パイロット バッチを実行し、拒否されたすべての部品を手動で確認してアルゴリズムを微調整します。
工業環境では光学的透明度が急速に低下します。カメラのレンズにホコリが付着します。はがれたエポキシがトラックの取り扱いに付着します。厳密なメンテナンスの前提条件を概説する必要があります。レンズのクリーニング、トラックの調整、ほこりの軽減は日用品です。物理的なメンテナンスを無視すると、本人拒否率は時間の経過とともに着実に上昇します。
設備投資を正当化するには、明確な成功指標が必要です。機器が生産に目に見えるメリットをもたらすことを証明する必要があります。
実際に成功した展開とはどのようなものでしょうか?業界のベストプラクティスは、厳格なゼロ欠陥回避率を目標としています。欠陥のある部品がお客様に届くことはありません。同時に、最適化後の誤通話率が 2% 未満になることを目指す必要があります。さらに、展開が成功すれば、手作業による検査の人件費が 30% 削減されるはずです。人間の検査員を、根本原因分析などのより価値の高いタスクに再割り当てできます。
デモンストレーション中にベンダーの標準テストピースを受け入れないでください。ベンダーは、自社のオリジナルのサンプルに合わせてデモ マシンを完璧に調整します。
絶対的な最悪の場合の製品サンプルを使用した概念実証 (POC) テストをリクエストします。
AI の微妙な違いをテストするには、境界線の外観上の欠陥がある部品を含めます。
デモ中にソフトウェアの使いやすさを綿密に評価します。
自問してみてください: 現在の回線事業者はしきい値を簡単に調整できますか?それとも、インターフェイスには専任のビジョン エンジニアが必要ですか?ハイエンドの機械には、直感的でオペレーターに優しいインターフェイスが備わっている必要があります。
ベンダーに連絡する前に、特定の欠陥のパレート図を作成してください。どの欠陥が顧客からの苦情を最も多く引き起こしているかを正確に把握します。正確な UPH 要件を定義します。ベースライン データを理解することで、より適切なマッチング プロセスが保証されます。綿密な準備が最適な選択に役立ちます サーミスター AOI 装置。 特定の生産ライン向けの
自動化された光学システムは、品質管理のパラダイムを完全に転換します。人間による主観的なサンプリングから離れ、客観的でスケーラブルな全数検査に移行します。この移行により、ブランドの評判が保護され、クライアントにとってコストのかかる下流組み立ての失敗が防止されます。
最適な機器を選択することで、光学精度と実際の材料の取り扱いのバランスを慎重にとることができます。柔軟な照明、直感的な AI ソフトウェア、穏やかなインデックス作成メカニズムを提供するシステムを優先します。メンテナンスの手間がかからず、適応性の高い機械に焦点を当てることで、長期的なラインの安定性と一貫した製品品質が保証されます。
A: いいえ。AOI は外観および機械的な欠陥を検出します。包括的な品質保証を行うには、電気試験 (抵抗、B 値) と組み合わせる必要があります。
A: 製品に大きく依存しますが、業界標準は通常、最適化後の誤報率を 2 ～ 3% 未満とし、欠陥回避率を厳密に 0% にすることを目標としています。
A: 高度なシステムでは、プログラム可能なマルチスペクトルまたはマルチアングル照明を AI ビジョン モデルと組み合わせて利用し、反射を正規化し、実際の欠陥を光学的まぶしさから分離します。
