Nghiên Cứu Xây Dựng Mô Hình Phát Hiện Lỗi Bảng Mạch In (PCB) Bằng Xử Lý Ảnh Và Mạng Nơ-ron Nhân Tạo

Tóm tắt nghiên cứu (Research Summary)

  • Câu hỏi nghiên cứu chính: Làm thế nào để thiết kế và hiện thực hóa một hệ thống kiểm tra quang học tự động (Automated Optical Inspection - AOI) chi phí thấp, ứng dụng các thuật toán xử lý ảnh số kết hợp mạng nơ-ron nhân tạo nhằm phát hiện và phân loại chính xác các dạng lỗi phổ biến trên bảng mạch in công nghệ dán bề mặt (SMT)?
  • Tổng quan phương pháp (Methodology Snapshot): Nghiên cứu triển khai hệ thống thực nghiệm đồng bộ gồm phần cứng (camera kỹ thuật số, hệ thống chiếu sáng LED 4 cấp độ, cơ cấu dịch chuyển trục tọa độ X-Y) và phần mềm điều khiển trên nền tảng MATLAB. Ảnh chụp bo mạch được tiền xử lý chuyển đổi thang độ xám (grayscale 8-bit), trích xuất vector đặc trưng 12 chiều kết hợp giữa đặc trưng hình học và thống kê không gian điểm ảnh ($a, p, c, h, w, l, b, i, v, s, d, u$). Dữ liệu đặc trưng được đưa vào mô hình mạng nơ-ron truyền thẳng 3 lớp (12-12-2) huấn luyện bằng giải thuật lan truyền ngược sai số (Backpropagation) với kỹ thuật suy giảm gradient (Gradient Descent).
  • Kết quả then chốt (Key Findings): Hệ thống đạt độ chính xác tuyệt đối 100% trên tập dữ liệu mẫu huấn luyện, nhận dạng chính xác và phân loại hoàn toàn các lỗi hàn (chập mạch/ngắn mạch, thiếu chì hàn, thừa chì hàn) cũng như các lỗi lắp ráp linh kiện (mất linh kiện, gắn ngược cực IC, linh kiện bị xoay góc hoặc dịch chuyển vị trí).
  • Hàm ý khoa học và ứng dụng (Implications): Đề tài cung cấp giải pháp công nghệ khả thi, chi phí thấp thay thế các hệ thống AOI thương mại nhập khẩu đắt tiền, mở ra tiềm năng ứng dụng rộng rãi trong các dây chuyền lắp ráp điện tử quy mô vừa và nhỏ, đồng thời đóng vai trò là mô hình học cụ trực quan phục vụ đào tạo kỹ thuật công nghệ cao.

Bối cảnh và tầm quan trọng (Context & Significance)

Trong kỷ nguyên công nghiệp điện tử hiện đại, công nghệ hàn dán bề mặt (Surface Mount Technology - SMT) đã trở thành tiêu chuẩn cốt lõi trong chế tạo bo mạch in (Printed Circuit Board - PCB). Việc sử dụng các linh kiện dán (Surface Mount Devices - SMD) với kích thước siêu nhỏ và mật độ dày đặc giúp tối ưu hóa không gian, nâng cao hiệu suất làm việc và tốc độ sản xuất hàng loạt. Tuy nhiên, tốc độ tự động hóa ngày càng cao cũng đi kèm với nguy cơ phát sinh nhiều dạng lỗi kỹ thuật tinh vi trong từng công đoạn: từ quét kem hàn (solder printing), gắp đặt linh kiện (pick and place) cho đến gia nhiệt nóng chảy (reflow).

Thống kê trong sản xuất công nghiệp chỉ ra rằng:

  • Lỗi liên quan đến công đoạn hàn chiếm khoảng 80% tổng số sự cố (ngắn mạch do dính chân, hở mạch, mối hàn thiếu hoặc thừa thiếc, nứt mối hàn).
  • Lỗi liên quan đến việc đặt linh kiện chiếm khoảng 10% (thiếu linh kiện, ngược cực, sai lệch tọa độ hoặc góc xoay).
  • Các lỗi tham số điện và tiếp xúc vật lý khác chiếm 10% còn lại.

Theo truyền thống, việc kiểm soát chất lượng (QC) phụ thuộc chủ yếu vào kiểm tra thủ công bằng mắt thường dưới kính lúp. Phương pháp này bộc lộ những điểm yếu nghiêm trọng: tốc độ chậm, năng suất thấp, độ tin cậy suy giảm theo thời gian do công nhân mỏi mắt, đồng thời tiềm ẩn nguy cơ ảnh hưởng xấu đến sức khỏe thị lực và thần kinh của người lao động.

Nhằm khắc phục tình trạng này, các công nghệ kiểm tra tự động như AOI (Automated Optical Inspection), SPI (Solder Paste Inspection), AXI (Automated X-ray Inspection) và ICT/FCT (In-Circuit/Functional Test) đã ra đời. Tuy nhiên, tại Việt Nam, các dây chuyền AOI công nghiệp tiên tiến phần lớn phải nhập khẩu nguyên khối với chi phí đầu tư rất lớn, cấu trúc phần mềm đóng kín khó can thiệp tùy biến, và hầu như chưa có mô hình nội địa hóa phục vụ giảng dạy thực nghiệm.

Do đó, việc nghiên cứu xây dựng mô hình phát hiện lỗi bảng mạch in dùng xử lý ảnh và mạng trí tuệ nhân tạo là một nhiệm vụ cấp thiết, vừa giải quyết bài toán kinh tế cho các doanh nghiệp lắp ráp nội địa, vừa nâng cao chất lượng đào tạo thực hành trong các trường cao đẳng, đại học kỹ thuật.

Phương pháp và cách tiếp cận (Methodology & Approach)

Nghiên cứu áp dụng phương pháp tiếp cận đa ngành, tích hợp chặt chẽ giữa thiết kế cơ điện tử, thị giác máy tính và học máy (Machine Learning).

1. Thiết kế phần cứng và cơ cấu thu nhận dữ liệu

  • Cơ cấu thu hình: Sử dụng camera kỹ thuật số webcam ND40 (độ phân giải cảm biến 1.3 Megapixels, chuẩn giao tiếp USB 2.0) gắn trên trục truyền động di chuyển tự động X-Y được điều khiển từ máy tính thông qua vi điều khiển qua cổng nối tiếp (COM port).
  • Hệ thống chiếu sáng chủ động: Thiết kế module đèn LED chuyên dụng với 4 chế độ lựa chọn cường độ sáng, đảm bảo loại bỏ hiện tượng bóng đổ, triệt tiêu sự dao động quang sai do ánh sáng môi trường ngoài.
  • Quy chuẩn vùng quan sát (ROI): Tùy biến theo kích thước linh kiện cần soi chiếu:
    • Khung $6 \times 6\text{ mm}$ tương ứng ma trận $240 \times 240\text{ pixels}$.
    • Khung $8 \times 8\text{ mm}$ tương ứng ma trận $320 \times 320\text{ pixels}$.
    • Khung $12 \times 12\text{ mm}$ tương ứng ma trận $480 \times 480\text{ pixels}$.

2. Tiền xử lý và kỹ thuật trích xuất vector đặc trưng

Ảnh màu RGB sau khi thu thập được chuyển đổi về ma trận ảnh xám 8-bit $S(m \times n)$ nhằm giảm dung lượng bộ nhớ và tăng tốc độ xử lý ma trận. Nhóm nghiên cứu đã thiết lập một không gian vector đặc trưng 12 chiều $P = [a, p, c, h, w, l, b, i, v, s, d, u]$, kết hợp hài hòa giữa đặc trưng hình thái học và các chỉ số phân bố thống kê:

  1. Diện tích ($a$ - Area): Tổng mức xám của tất cả các điểm ảnh trong vùng quan sát: $$a = \sum_{i=1}^m \sum_{j=1}^n S(i, j)$$
  2. Chu vi ($p$ - Perimeter): Tổng độ biến thiên mức xám giữa các điểm ảnh kế cận theo hàng và cột.
  3. Độ chặt ($c$ - Compactness): Tỷ số giữa diện tích và bình phương chu vi ($c = a / p^2$), phản ánh mức độ tập trung cấu trúc hình học của mối hàn hoặc linh kiện.
  4. Chiều cao ($h$ - Height): Tổng các giá trị điểm ảnh cực đại trên mỗi cột.
  5. Chiều ngang ($w$ - Width): Tổng các giá trị điểm ảnh cực đại trên mỗi hàng.
  6. Chiều dài ($l$ - Length): Giá trị lớn nhất trong các tổng điểm ảnh của từng cột.
  7. Chiều rộng ($b$ - Breadth): Giá trị lớn nhất trong các tổng điểm ảnh của từng hàng.
  8. Chỉ số vùng hội tụ ($i$ - Convergence Index): Đánh giá mức độ gom tụ của vùng năng lượng ảnh.
  9. Phương sai mức xám ($v$ - Variance): Mức độ phân tán của giá trị pixel so với giá trị trung bình ($avg$).
  10. Độ lệch chuẩn ($s$ - Standard Deviation): Căn bậc hai của phương sai, biểu thị sự trải rộng của dải sáng.
  11. Tổng đường chéo chính thứ nhất ($d$): Tổng điểm ảnh chạy dọc theo đường chéo từ góc trên bên trái xuống góc dưới bên phải.
  12. Tổng đường chéo chính thứ hai ($u$): Tổng điểm ảnh dọc theo đường chéo từ góc trên bên phải xuống góc dưới bên trái.

3. Kiến trúc mạng nơ-ron nhân tạo và giải thuật học

Hệ thống sử dụng mạng nơ-ron truyền thẳng nhiều lớp (Multilayer Perceptron - MLP):

  • Lớp đầu vào (Input Layer): 12 nơ-ron tương ứng với 12 thành phần của vector đặc trưng $P$.
  • Lớp ẩn (Hidden Layer): 12 nơ-ron sử dụng hàm kích hoạt Sigmoid lưỡng cực (Bipolar Sigmoid).
  • Lớp ngõ ra (Output Layer): 2 nơ-ron với hàm kích hoạt tuyến tính (Linear), đưa ra véc-tơ phân loại chuẩn hóa:
    • $\mathbf{Y} = [1, 0]$: Bo mạch đạt chuẩn chất lượng (Tốt).
    • $\mathbf{Y} = [0, 1]$: Bo mạch bị khuyết tật kỹ thuật (Lỗi).
    • Các giá trị khác: Trạng thái không xác định (chưa được học).

Mô hình được huấn luyện bằng thuật toán lan truyền ngược sai số (Backpropagation) kết hợp phương pháp suy giảm gradient (Gradient Descent) để liên tục cập nhật ma trận trọng số liên kết $w_{ij}$ và $v_{jk}$.

Phát hiện chính và Kết quả thực nghiệm (Key Findings)

Quá trình kiểm nghiệm thực tế trên phần mềm MATLAB và hệ thống phần cứng đã mang lại các kết quả định lượng nổi bật sau:

1. Hiệu năng phân loại chính xác tuyệt đối trên tập dữ liệu mẫu

Khi thử nghiệm trên toàn bộ cơ sở dữ liệu mẫu huấn luyện gồm các bo mạch chuẩn và các biến thể bo mạch lỗi nhân tạo, mô hình mạng nơ-ron đạt độ chính xác phân loại 100%. Hệ thống phản hồi tức thời, chuyển đổi trạng thái đầu ra chuẩn xác giữa hai cực nhị phân $[1, 0]$ và $[0, 1]$.

Loại mẫu kiểm tra Trạng thái thực tế Ngõ ra mạng ($y_1, y_2$) Kết luận của hệ thống Tỷ lệ chính xác
Mẫu b1 Chuẩn (Đủ linh kiện, mối hàn đẹp) $[1.0000, 0.0000]$ TỐT (PASS) $100%$
Mẫu b10 Lỗi (Ngắn mạch dính chì chân IC) $[0.0000, 1.0000]$ LỖI (DEFECT) $100%$
Mẫu b14 Lỗi (Mất linh kiện trở dán) $[0.0000, 1.0000]$ LỖI (DEFECT) $100%$

2. Phát hiện toàn diện các dạng khuyết tật SMT điển hình

Mô hình chứng minh năng lực phân biệt vượt trội đối với hai nhóm lỗi phức tạp:

  • Khuyết tật cơ khí/Lắp ráp: Phát hiện chính xác các trường hợp IC bị đặt ngược chân (đảo cực $180^\circ$), linh kiện dán bị dịch chuyển lệch tâm pad đồng hoặc bị xoay góc do rung động trong quá trình nạp lò sấy.
  • Khuyết tật quang học mối hàn: Tách lọc rõ nét giữa vết hàn đạt chuẩn với các vết hàn thiếu chì (gây hở mạch), vết hàn thừa chì quá mức (lồi hình cầu) và hiện tượng bắc cầu chì (bridge connection) gây đoản mạch giữa các chân chip có bước chân hẹp.

3. Đánh giá ảnh hưởng của siêu tham số (Hyperparameters) đến tốc độ hội tụ

Nghiên cứu tiến hành khảo sát đa biến về hệ số học ($\eta$), số lượng nơ-ron lớp ẩn và số chu kỳ huấn luyện (Epochs) để đánh giá đặc tuyến sai số bình phương trung bình (MSE):

MSE (Log scale)
  • Với $\eta = 0.5$, 12 nơ-ron lớp ẩn: Đường cong MSE suy giảm mượt mà và đạt mục tiêu hội tụ $MSE = 2 \times 10^{-5}$ nhanh nhất trong ngưỡng 9000 chu kỳ lặp mà không xảy ra hiện tượng phân kỳ hay dao động quanh cực tiểu cục bộ.
  • Khi giảm số nơ-ron lớp ẩn xuống 8: Năng lực biểu diễn của mạng bị suy giảm, đường cong sai số dao động mạnh và đòi hỏi số vòng lặp lớn hơn đáng kể để đạt cùng mức độ chính xác.

4. Cơ chế tự học và mở rộng cơ sở dữ liệu linh hoạt (Incremental Learning)

Đối với các mẫu bo mạch mới hoàn toàn nằm ngoài tập huấn luyện ban đầu (out-of-distribution), hệ thống ban đầu cho ngõ ra không xác định. Tuy nhiên, thông qua tính năng chụp mẫu bổ sung, tự động cập nhật vector đặc trưng và tái huấn luyện (Retraining), mạng nơ-ron nhanh chóng học được đặc trưng mới và đạt khả năng nhận diện chính xác $100%$ ngay sau đó mà không làm mất đi tri thức đã học trước đó.

Đóng góp khoa học và thực tiễn (Contributions)

Đóng góp về mặt lý thuyết và phương pháp luận

  • Rút gọn chiều không gian đặc trưng tối ưu: Đề xuất thành công bộ 12 chỉ số đặc trưng thống kê - hình thái học có tính đại diện cao cho bo mạch điện tử, giúp giảm thiểu đáng kể chi phí tính toán so với các phương pháp xử lý trực tiếp toàn bộ ma trận điểm ảnh hoặc các biến đổi Fourier/Wavelet phức tạp đòi hỏi phần cứng cao cấp.
  • Mô hình hóa thành công liên kết nơ-ron cho kiểm thử PCB: Thiết lập tường minh mối quan hệ giữa các biến đổi quang học của mối hàn SMT với các hàm kích hoạt phi tuyến trong mạng truyền thẳng, làm tiền đề cho các thuật toán nhận dạng mẫu trong thị giác máy tính công nghiệp.

Đóng góp thực tiễn và đào tạo

  • Giải pháp tự động hóa chi phí thấp: Xây dựng thành công hệ thống kiểm tra quang học AOI hoàn chỉnh ở mức độ thực nghiệm với linh kiện phần cứng thông dụng, mở ra hướng đi tự chủ công nghệ kiểm định chất lượng cho các cơ sở sản xuất vừa và nhỏ.
  • Đổi mới giáo cụ trực quan trong giáo dục nghề nghiệp: Hiện thực hóa một mô hình giảng dạy liên ngành xuất sắc tại Trường Cao đẳng Công nghệ Thủ Đức, giúp sinh viên ngành Điện tử, Cơ điện tử và Tự động hóa tiếp cận trực tiếp với các khái niệm công nghệ cao: Giao tiếp máy tính, Điều khiển số, Thị giác máy tính và Trí tuệ nhân tạo.

Đối tượng quan tâm và Giá trị mang lại (Target Audience)

  1. Giảng viên và Sinh viên kỹ thuật:
    • Nguồn tài liệu chuyên khảo phong phú về ứng dụng mạng nơ-ron nhân tạo vào xử lý tín hiệu hình ảnh thực tế.
    • Cung cấp giáo trình thực hành liên môn: tích hợp vi điều khiển, phần mềm giao tiếp máy tính và giải thuật AI.
  2. Kỹ sư vận hành dây chuyền SMT / Doanh nghiệp EMS:
    • Cung cấp khung tham chiếu kỹ thuật để tự chế tạo hoặc nâng cấp các module soi chiếu phát hiện lỗi cục bộ trên dây chuyền sản xuất với ngân sách tối ưu.
    • Giảm thiểu sự phụ thuộc vào nhân công soi mạch thủ công, nâng cao tính ổn định của quy trình kiểm soát chất lượng xuất xưởng.
  3. Các nhà nghiên cứu trong lĩnh vực Trí tuệ nhân tạo & Thị giác máy tính:
    • Cung cấp cơ sở dữ liệu thực nghiệm và phương pháp trích xuất đặc trưng có thể mở rộng kết hợp với các kiến trúc mạng học sâu tiên tiến (CNN, YOLO) cho bài toán kiểm thử bề mặt vật liệu.

Câu hỏi thường gặp (FAQ)

1. Phát hiện quan trọng nhất của đề tài nghiên cứu này là gì?

Nghiên cứu đã chứng minh rằng chỉ cần sử dụng hệ thống quang học đơn giản (Webcam kỹ thuật số thông dụng kết hợp đèn LED chiếu sáng 4 cấp độ) và bộ vector trích xuất 12 đặc trưng hình học - thống kê, mạng nơ-ron lan truyền ngược 3 lớp hoàn toàn có thể nhận dạng và phân loại chính xác $100%$ các lỗi mối hàn và lỗi linh kiện dán SMT cơ bản.

2. Phương pháp trích xuất đặc trưng trong đề tài có gì đặc biệt?

Thay vì phân tích toàn bộ ảnh gây nặng tải tính toán, nhóm tác giả chọn lọc 12 tham số đại diện tập trung theo vùng quan tâm (ROI), bao gồm cả thông số hình học (chu vi, diện tích, độ chặt, các cạnh bao) lẫn thông số phân bố độ sáng (phương sai, độ lệch chuẩn, tổng điểm ảnh theo hai đường chéo chính). Cách tiếp cận này giúp mô hình vừa giữ được độ chính xác cao vừa đảm bảo thời gian xử lý nhanh.

3. Kết quả của mô hình có thể tổng quát hóa cho các loại bo mạch phức tạp khác không?

Có. Hệ thống được thiết kế với tính năng học mở rộng (Incremental Learning). Khi áp dụng cho bo mạch mới hoặc các linh kiện có hình thái khác biệt, người dùng chỉ cần chụp mẫu bổ sung, gán nhãn mong muốn và kích hoạt huấn luyện lại mạng nơ-ron để hệ thống cập nhật ma trận trọng số tương ứng.

4. Hướng phát triển tiếp theo (Next Steps) của nghiên cứu là gì?

Nhóm nghiên cứu định hướng:

  • Nâng cấp độ phân giải camera công nghiệp và mở rộng cơ cấu quét nhiều góc độ (multi-angle illumination).
  • Tích hợp các thuật toán học sâu (Deep Learning) như mạng nơ-ron tích chập (CNN) để tự động hóa hoàn toàn khâu trích xuất đặc trưng không cần định nghĩa thủ công.
  • Nhúng trực tiếp giải thuật vào các kit xử lý biên phần cứng (Edge AI / FPGA) để hoạt động độc lập không cần máy tính.

5. Ứng dụng thực tiễn lớn nhất của mô hình này hiện nay là gì?

Mô hình hiện đóng vai trò là một hệ thống thiết bị thực hành chuẩn mực trong đào tạo công nghệ cao tại các trường kỹ thuật, đồng thời là giải pháp tiền khả thi giúp các xưởng sản xuất điện tử nhỏ tự thiết kế hệ thống kiểm tra quang học tự động với chi phí đầu tư rất thấp.

Kết luận (Conclusion)

Đề tài nghiên cứu "Xây dựng mô hình phát hiện lỗi board mạch in dùng xử lý ảnh" đã giải quyết thành công một bài toán kỹ thuật có tính ứng dụng thực tiễn cao. Bằng sự kết hợp khéo léo giữa kỹ thuật tiền xử lý ảnh vùng, trích chọn vector đặc trưng 12 chiều tinh gọn và mạng nơ-ron lan truyền ngược đa lớp, nhóm tác giả đã xây dựng thành công một hệ thống AOI thực nghiệm hoạt động ổn định, chính xác và linh hoạt.

Nghiên cứu không chỉ đóng góp một giải pháp công nghệ tự động hóa chất lượng cao, giá thành thấp phục vụ sản xuất công nghiệp mà còn mang ý nghĩa sư phạm sâu sắc trong việc hiện đại hóa công tác giảng dạy thực hành kỹ thuật. Các nhà nghiên cứu, kỹ sư và cơ sở đào tạo có thể kế thừa kiến trúc này để phát triển các trạm kiểm thử thông minh thế hệ mới, tích hợp công nghệ trí tuệ nhân tạo chuyên sâu trong tương lai.