MLCC检查
提高MLCC自动检测率,同时降低过杀率
![MLCC检查](http://m.czl106.com/library/media/industry/electronics-products/mlcc-inspection.jpg?sc_lang=en&h=250&w=350&la=en&hash=7936276B695F6D3B2BED744F1E87ACE4)
多层陶瓷电容器(MLCC)由带有金属化端子的堆叠电容器块组成,用于连接到集成电路板。MLCC患有各种可能的制造缺陷,包括终止涂层中的裂缝,水疱,碎片,污染和空隙。这些电容器存储显着的能量,因此失败不仅影响缺陷的MLCC,而且会损坏相邻的组件或集成电路板本身。
mlcc规模小,数量大。它们可能有各种细微的缺陷,在外观和位置上有很大的不同。此外,它们有光泽的表面,限制了传统机器视觉的有效性。德国必威
因此,人工检查仍然起着重要作用。自动光学检查(AOI)机器检查所有电容器的六面,然后由人检查电容器的统计抽样的一面。但是AOI机器的过度杀伤率很高,而人工检查对于一般使用来说太慢了。整个过程昂贵、缓慢、容易出错,并且不会产生有助于过程改进的有用数据。
康耐视打造了专门用于MLCC检测的美容光学检测(COI)机器,该机器结合了定制照明和深度学习视觉工具。首先,为MLCC检测定制的照明模块将无关表面变化最小化,同时揭示电容器本体和端子上容易忽略的缺陷。
在AOI机器对MLCCs进行检查后,再由COI机器对其进行检查,以减少假阳性和将好的部件从生产中撤出的数量。与人工检查相比,这种机器可以提供更好的速度、精度和工艺改进数据。
Cognex深度学习的分类工具是在各种无缺陷和有缺陷mlcc的标记图像上进行训练的。分类工具学习分类范围广泛的可能的缺陷,以及学习正常零件的全部变化。一旦经过训练,它可以扫描每个MLCC部件,并立即标记出任何超出可接受范围的部件,或识别出之前标记为缺陷的良好部件。
这些分类的缺陷也可以用于上游工艺控制,随着时间的推移将零件缺陷最小化。