作者：

吳思凱上海哲山科技

我們公司是一個(gè)RFID電子標(biāo)簽生產(chǎn)制造企業(yè)，隨著AI技術(shù)的發(fā)展，我們將新的技術(shù)積極引入生產(chǎn)環(huán)節(jié)中，以便解決生產(chǎn)環(huán)節(jié)遇到的問(wèn)題以及降低用工成本。

以下是我們?cè)?a target="_blank">RFID生產(chǎn)中遇到的問(wèn)題：

1芯片綁定中的缺陷產(chǎn)品的檢測(cè)

1.1 芯片綁定流程的介紹

（1）點(diǎn)膠

該流程采用點(diǎn)膠控制器，通過(guò)特定針筒在天線(xiàn)基板上特定位置點(diǎn)上膠水，把天線(xiàn)和芯片粘合在一起，并經(jīng)過(guò)高溫固化，電性能檢測(cè)，最終分切成單排并回收成卷狀干標(biāo)簽的生產(chǎn)過(guò)程。

（2）固晶

首先對(duì)晶圓中的芯片進(jìn)行拾取并翻轉(zhuǎn)，然后有拾取頭拾取并貼裝到天線(xiàn)基板上已點(diǎn)膠的位置，完成對(duì)芯片的倒轉(zhuǎn)貼裝任務(wù)。

（3）熱壓

通過(guò)熱壓頭對(duì)芯片與天線(xiàn)的連接部位進(jìn)行加熱、加壓，使得膠水固化，完成芯片與天線(xiàn)的連接。

（4）測(cè)試

在收卷之前對(duì)粘接好芯片的RFID電子標(biāo)簽進(jìn)行測(cè)試，對(duì)不符合要求的標(biāo)簽打上標(biāo)識(shí)。

1.2 綁定流程中存在的問(wèn)題

綁定流程的最后一道工序是測(cè)試RFID電子標(biāo)簽的良率，將壞標(biāo)簽剔除，但是無(wú)法知道損壞的原因，不利于操作人員及時(shí)調(diào)整生產(chǎn)參數(shù)。

如果使用圖像識(shí)別在熱壓環(huán)節(jié)進(jìn)行前道檢測(cè)，不但可以減低測(cè)試環(huán)節(jié)的設(shè)備成本，還能分析問(wèn)題原因。

例如下圖的幾種情況：

圖像	問(wèn)題	圖像	問(wèn)題
	正常樣品		墨點(diǎn)樣品&沒(méi)有芯片
	膠水溢出(溢出到芯片上)		沒(méi)有芯片

訓(xùn)練樣本

除了以上缺陷還有可能存在芯片裂紋等問(wèn)題，讓操作員可以提早定位問(wèn)題，提早干預(yù)。

2標(biāo)簽復(fù)合中的缺陷產(chǎn)品的檢測(cè)

在標(biāo)簽復(fù)合流程中，主要是外觀缺陷的檢測(cè)，例如下圖中標(biāo)注出的臟點(diǎn)。

這道工序中，使用圖像識(shí)別可以節(jié)省用于外觀檢測(cè)的工人，降低用工成本。

使用AI模型調(diào)用攝像頭檢測(cè)產(chǎn)品缺陷，方法描述：

（1）原型展示

（2）識(shí)別算法的描述

使用YOLOv8 Detect模型轉(zhuǎn)成OpenVino模型，使用python對(duì)1200個(gè)樣本進(jìn)行訓(xùn)練，得到檢測(cè)模型，再使用C#+OpenVino實(shí)現(xiàn)模型的部署。

from ultralytics import YOLO 
import cv2


# Load a model
model = YOLO('yolov8n.yaml') # build a new model from YAML
model = YOLO('yolov8n-seg.pt') # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt') # build from YAML and transfer weights


# Train the model
dsPath = r'c:Usersucard_liuhyDesktopinkdotinkdot.v1i.yolov8data.yaml'
results = model.train(data=dsPath, epochs=100, imgsz=640)


img_path = r'c:Usersucard_liuhyDesktopinkdotcaptured_image_20240905_150621.jpg' # Update this path to your image file




# Perform prediction
results = model.predict(img_path)


#results = model([img_path]) # return a list of Results objects


# Process results list
for result in results:
  boxes = result.boxes # Boxes object for bounding box outputs
  masks = result.masks # Masks object for segmentation masks outputs
  keypoints = result.keypoints # Keypoints object for pose outputs
  probs = result.probs # Probs object for classification outputs
  result.show() # display to screen
  result.save(filename='result.jpg') # save to disk

最終的實(shí)現(xiàn)效果：

綁定流程的缺陷檢測(cè)，使得原先只能在訂單完成后才能進(jìn)行的缺陷分析步驟，提升為在線(xiàn)實(shí)時(shí)分析。這樣可以體現(xiàn)修改生產(chǎn)參數(shù)，降低部分原因(如溢膠)導(dǎo)致的缺陷率。

復(fù)合流程的缺陷檢測(cè)，使得原先由2個(gè)工人負(fù)責(zé)的檢測(cè)環(huán)節(jié)，降低到1個(gè)人負(fù)責(zé)。