Electronique Mag - Le journal de l'électronique.
- accueil .
- abonnement .
- newsletter .
Flux RSS . - soumissions .
- publicité .
- contacts
Flux RSS . Quotidiennement, sur les lignes d’assemblage automatique, il y a des hommes qui inspectent la qualité de la fabrication. Mais est-ce vraiment un travail pour les hommes ? En effet, les hommes sont trop lents pour suivre les cadences des lignes d’assemblage. Leurs yeux ne sont pas assez performants pour les processus de fabrication ultras fins, et ils ont de la difficulté à rester concentré sur des tâches répétitives. En conséquence, l’inspection humaine pourrait être remplacée avantageusement par de l’inspection optique automatisée (AOI).
Mais les systèmes AOI ont aussi leurs limites. Certains AOI ont constamment besoin d’ajustements pour s’adapter aux variations acceptables du processus de fabrication. En pratique, un programme d’inspection qui offre dans le temps un faible taux de faux défauts et un fort taux de détection est souvent pénalisé par de multiples interventions sur le programme ou par un temps de cycle allongé.
Que faudrait-il faire pour faciliter la programmation et la stabilité des systèmes AOI dans le temps ? La réponse est peut être située dans l’étude du cerveau humain.
Les avancées sur la compréhension du fonctionnement du cerveau au cours des 15 dernières années ont été importantes. C’est, entre autres, des inventions telles que les systèmes d’imagerie à résonance magnétique (IRM) qui ont permis de voir le cerveau en action. Les chercheurs ont découvert plusieurs concepts dont certains peuvent être directement appliqués à l’amélioration des systèmes AOI pour l’inspection des cartes électroniques. Nous allons développer des principes propres au fonctionnement du cerveau qui peuvent être utilisés dans les systèmes AOI pour les rendre plus fiables, plus faciles à programmer et plus faciles à maintenir :
Le cerveau est un organe modulaire qui envoie l’information sensorielle en parallèle aux multiples secteurs du cortex cérébral. Ces secteurs analysent les entrées de différentes manières, puis tous les résultats sont mis en commun. L’utilisation de l’expertise d’un seul secteur n’est pas suffisante, mais son utilisation dans un cadre collectif est très efficace.
Dans le cas d’un AOI, cela consiste à utiliser plusieurs algorithmes. Un algorithme recherche l’aspect global du composant à tester, deux autres algorithmes inspectent les bords du composant et les transitions avec le circuit imprimé et un dernier algorithme recherche le cas ou le composant est manquant. Chaque algorithme associe à sa décision un indice de confiance. Toutes ces décisions seront combinées pour aboutir à la décision finale.
Les algorithmes qui ont un fort indice de confiance participent totalement à la décision, tandis que l’influence des algorithmes qui ont un moins bon indice de confiance sera moindre voire nulle.
Le cerveau humain ne cesse jamais d’apprendre. Il met à jour ses « modèles » à chaque nouvelle expérience. Cette capacité permet au cerveau de traiter facilement toute information nouvelle.
En traduisant ce concept à AOI, un algorithme pourrait mesurer sur chaque circuit imprimé des couleurs réelles qui serviront de référence pour l’analyse de la carte. Ainsi l’algorithme intégrerait des conditions changeantes à chaque inspection plutôt que faire référence à des valeurs qui auraient été apprises précédemment et qui ne seraient peut-être plus valides.
La figure 2 montre comment un système AOI peut s’ajuster en dynamique en prélevant quatre couleurs sur chaque circuit imprimé sur des zones prédéterminées (cuivres, substrats avec ou sans vernis épargne, pâte à braser).
Une information qui est examinée hors d’un contexte peut être ambiguë. Ainsi pour l’analyse humaine d’une carte électronique, il peut y avoir beaucoup d’écarts dans l’interprétation des résultats lorsqu’on examine la carte uniquement sous binoculaire. Pour un AOI, les difficultés sont que la brillance des métallisations évolue, que les circuits imprimés ont des variations de couleur et que les inscriptions sont changeantes. Il est donc difficile de garantir le résultat de l’analyse seulement par une approche locale.
La détection d’un composant décalé en rotation devient évidente dès que l’on compare ce composant aux composants du voisinage.
Les neurones codent l’information de l’image par des évaluations relatives et brutes. Il s’avère que c’est une stratégie intelligente basée sur l’analyse des variations et non pas sur des mesures métriques. Ce sont des codes qualitatifs et non pas qualitatifs.
En revanche, les fabricants d’AOI intègrent souvent dans la reconnaissance d’images un grand nombre de mesures fines. C’est de l’information quantitative qui n’est nécessaire que lorsque l’on fait du contrôle de processus.
L’exemple ci-dessous est montre l’intérêt d’une analyse qualitative pour déterminer la présence ou l’absence d’un composant en recherchant sa relation avec son environnement.
Le postulat est que les métallisations du composant se différencient du corps par le changement de couleur. Le corps se différencie aussi de la carte par un changement de couleur. Ce postulat est toujours valable avec des métallisations brillantes ou ternes, avec un corps marron ou rose, ou lorsque la carte change de couleur. Par contre quand le composant est absent (photo de droite), les transitions attendues ne sont pas mises en évidence
Le point crucial lors de la conception d’un AOI se situe dans l’équilibre entre les modélisations qualitatives qui sont peu sensibles aux variations et les modélisations quantitatives qui apportent la notion de mesure mais qui sont plus instables.
Quelques mois après sa naissance, un enfant en bas age est capable de localiser un visage évoluant au milieu de plusieurs autres personnes car le cerveau du nouveau-né aurait en mémoire un modèle d’enregistrement basée sur un visage brut.
Le pendant pour un système AOI, consiste à utiliser une bibliothèque qui intègre les dimensions, les tolérances et les couleurs de tous les boîtiers des composants à contrôler.
Les sociétés Landrex et Imagen ont utilisé ces principes pour le développement de l’Optima 7200 qui est un AOI pré-refusion. En pratique l’utilisation des cinq principes que nous venons de décrire a considérablement augmenté les performances du système par rapport a un AOI conventionnel.
Prenons l’exemple d’un condensateur tantale et appliquons y les cinq principes. Le condensateur tantale a des métallisations qui sont parfois oxydées et la couleur du corps change en fonction des lots. La couleur de circuit imprimé change aussi en fonction des différents lots.
Pour l’Optima 7200, si l’aspect du composant change et à partir du principe des actions collectives, certains algorithmes auront une réponse inexacte. Cependant, d’autres algorithmes qui recherchent la structure du composant ou l’occlusion du circuit imprimé seront fortement convaincus que le composant est présent. Cela sera fortement soutenu dès qu’un seul de ces algorithmes aura un indice de confiance important. Le principe de la gestion des variations permet au système de connaître la couleur exacte du circuit imprimé actuellement sous test et pourra distinguer très facilement la transition entre le PCB et le composant. L’examen du composant dans son contexte permet d’intégrer dans l’analyse le circuit imprimé et les composants voisins. Le principe de l’information qualitative va se focaliser sur la structure du composant et non sur son aspect. Elle sera peu sensible aux différences de couleur ou de brillance. Le savoir faire et l’expérience permet au système d’intégrer dans son modèle bibliothèque de base les tolérances et les variations classiques du condensateur tantale.
Le programmeur n’a plus besoin de développer un programme complexe pour que l’AOI s’adapte aux variations du processus de fabrication. De même, si il y a plusieurs AOI, le programme sera commun à tous les AOI.
En terme de faux défauts et de défauts non vus, l’Optima 7200 obtient des performances jusqu’à 100 fois supérieures à une machine utilisant les techniques traditionnelles. De plus, le système peut fonctionner beaucoup plus longtemps à qualité constante sans intervention pour ajuster le programme.
Dans le futur, la plupart des AOI appliqueront les synergies entre les principes de la science du cerveau et la vision industrielle à leurs algorithmes. L’industrie ne devrait alors produire plus que des systèmes d’inspection très performants et faciles à programmer pour les applications de contrôle des cartes électroniques.
Fréderic Pierson, Orion industry
Pamela R. Lipson, Imagen and Landrex Technologies.
