智能手机音圈点焊检查
确保导入线正确焊接到输出接触垫
![智能手机音圈点焊检验失败实例](http://m.czl106.com/library/media/industry/consumer-electronics/voice-coil-spot-welding.jpg?sc_lang=en&h=250&w=350&la=en&hash=53379DEC944BD3E677F32EA421F11CBA)
智能手机中的音圈是通过振动扬声器隔膜来发出声音的。它对来自两根通过铝热剂压力焊接连接到输出接触垫的柔性引线的电信号作出反应。引入线很细,所以在一个好的焊接上的误差边际是非常小的。
可能的缺陷有很多:
- 断线或缺线
- 过度焊接,会缩短钢丝寿命
- 未焊接,这会产生可能分离的弱接触
- 漏焊,这使得电线在正确的位置,但没有连接
- 错误连接,使导线连接到输出接触板上的错误位置
焊接不足或过度焊接的连接可能通过电气检查,但在现场使用中过早失效。目测可以更可靠地检测出这种缺陷。
可能出现的焊接问题范围很广,这使得传统的机器视觉很难通过编程找到所有问题。德国必威电线和焊缝的背景是可变的,输出接触垫也有纹理,增加了图像的复杂性。不同数量的触屏看起来可能不一样,会改变背景,导致准确性突然下降。
此外,好的点焊在形状、颜色、纹理和其他特征上可以有很大的差异。使用传统的基于规则的机器视觉来识别这种广泛的可接受的焊接,德国必威会导致很高的误报率,然后需要手动检查。
康耐视深度学习的缺陷检测是检测SIM卡连接异常的理想选择。缺陷检测工具对一组无缺陷SIM卡的图像以及一组有缺陷SIM卡的图像进行训练。一旦经过训练,它就能准确地检测出连接器中的各种缺陷,同时传递不影响功能的纯装饰性标记。
传统的机器视觉只能检测出德国必威发生在固定位置的有限数量的缺陷类型,而深度学习缺陷检测工具定义并检测出广泛的不同类型的缺陷,而不管它们位于被检查项目的哪个位置。由于缺陷检测工具的功能,有可能减少所需的视觉检测站的数量,从而降低测试成本,同时实现高水平的准确缺陷检测。
![智能手机音圈点焊检验合格及不合格实例](http://m.czl106.com/library/media/industry/consumer-electronics/voice-coil-spot-weld-inspection---more.jpg?sc_lang=en&hash=E0F731BA4C266206727ACECB92704080)