Luận văn thạc sĩ: Ứng dụng mạng nơron để kiểm tra bảng mạch điện tử tại HCMUTE

Luận văn thạc sĩ HCMUTE nghiên cứu ứng dụng mạng nơron trong kiểm tra bảng mạch điện tử, mang lại giải pháp hiệu quả cho ngành điện tử.

• Tác giả: Nguyễn Quốc Bình
• Người hướng dẫn: TS. Hoàng Minh Trí
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Ứng Dụng Mạng Nơron Trong Kiểm Tra Bảng Mạch Điện Tử
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• CẢM TẠ
• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI
• 1.1. Tổng quan chung về lĩnh vực nghiên cứu
• 1.2. Mục tiêu của đề tài
• 1.3. Nhiệm vụ và giới hạn của đề tài
• 1.4. Phương pháp nghiên cứu
• 1.5. Ý nghĩa thực tiễn và tính cấp thiết của đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Một số khái niệm cơ bản
• 2.2. Biểu diễn ảnh dưới dạng ma trận
• 2.3. Độ phân giải ảnh
• 2.4. Sơ lược nhận dạng mẫu
• 2.5. Một số biến đổi ảnh
• 2.5.1. Biến đổi đơn nhất
• 2.5.2. Biến đổi Fourier rời rạc hai chiều (DFT-2D)
• 2.5.3. Biến đổi cosine rời rạc hai chiều
• 2.5.4. Biến đổi wavelet
• 2.6. Một số phương pháp tăng cường ảnh
• 2.6.1. Phép phân tích thành phần chính
• 2.6.2. Phương pháp loại nhiễu
• 2.7. Sơ lược về đặc trưng của ảnh
• 2.7.1. Đặc trưng màu sắc
• 2.7.2. Đặc trưng kết cấu
• 2.7.3. Đặc trưng hình dạng
• 2.7.4. Đặc trưng cục bộ bất biến
• 2.8. Mạng perceptron
• 2.8.1. Mạng perceptron một lớp (single layer perceptron networks)
• 2.8.2. Mạng perceptron nhiều lớp (multilayer layer perceptron networks)
• 2.8.3. Các yếu tố ảnh hưởng đến tốc độ hội tụ trong luật học lan truyền
• 3. CHƯƠNG 3: THIẾT KẾ HỆ THỐNG VÀ THỰC NGHIỆM
• 3.1. Một số lỗi thường thấy trong quá trình sản xuất bảng mạch điện tử
• 3.2. Phương pháp giải quyết của đề tài
• 3.2.1. Trích đặc trưng
• 3.2.2. Xây dựng mạng nơron nhận dạng lỗi
• 3.3. Kết quả mô phỏng
• 3.3.1. Quá trình học mẫu
• 3.3.2. Quá trình huấn luyện
• 3.3.3. Kết quả kiểm tra
• 3.3.4. Một số kết quả sau khi thay đổi thông số của mạng
• 3.3.5. Kết quả trên mô hình thực
• 3.4. Mô tả mô hình
• 3.5. Tiến trình hoạt động hệ thống kiểm tra
• 4. CHƯƠNG 4: KẾT LUẬN
• 4.1. Những kết quả đạt được
• 4.2. Đánh giá kết quả
• 4.3. Những hạn chế của đề tài
• 4.4. Dự kiến và hướng phát triển của đề tài
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng mạng nơron trong kiểm tra bảng mạch điện tử

Công nghệ mạng nơron đã trở thành một công cụ quan trọng trong việc kiểm tra bảng mạch điện tử tại HCMUTE. Việc áp dụng mạng nơron nhân tạo giúp cải thiện độ chính xác và tốc độ trong quá trình phát hiện lỗi. Bảng mạch điện tử thường gặp phải nhiều vấn đề như mất linh kiện, sai vị trí linh kiện, và lỗi hàn. Những lỗi này có thể ảnh hưởng nghiêm trọng đến chất lượng sản phẩm. Do đó, việc phát triển hệ thống kiểm tra tự động bằng công nghệ thông tin và khoa học máy tính là rất cần thiết. Hệ thống này không chỉ giúp giảm thiểu sai sót do con người mà còn tối ưu hóa quy trình sản xuất. Theo nghiên cứu, việc sử dụng mạng nơron trong kiểm tra bảng mạch điện tử đã cho thấy hiệu quả rõ rệt trong việc phát hiện lỗi, từ đó nâng cao chất lượng sản phẩm.

1.1. Tính cấp thiết của đề tài

Trong bối cảnh công nghiệp hiện đại, việc kiểm tra chất lượng sản phẩm điện tử ngày càng trở nên quan trọng. HCMUTE đã nhận thấy rằng việc áp dụng mạng nơron vào quy trình kiểm tra bảng mạch điện tử không chỉ giúp phát hiện lỗi nhanh chóng mà còn giảm thiểu chi phí sản xuất. Hệ thống kiểm tra tự động giúp tiết kiệm thời gian và nguồn lực, đồng thời nâng cao độ tin cậy của sản phẩm. Việc phát triển hệ thống này cũng phù hợp với xu hướng tự động hóa trong ngành công nghiệp, nơi mà tự động hóa và công nghệ thông tin đóng vai trò chủ chốt. Do đó, nghiên cứu này không chỉ có giá trị lý thuyết mà còn mang lại ứng dụng thực tiễn cao.

1.2. Mục tiêu nghiên cứu

Mục tiêu chính của nghiên cứu này là xây dựng một mô hình hệ thống kiểm tra tự động cho bảng mạch điện tử sử dụng mạng nơron. Hệ thống này sẽ được thiết kế để phát hiện các lỗi phổ biến như mất linh kiện, sai vị trí linh kiện và lỗi hàn. Bên cạnh đó, nghiên cứu cũng nhằm phát triển phần mềm mô phỏng và ứng dụng trên máy tính để hỗ trợ quá trình kiểm tra. Việc áp dụng thuật toán học máy trong phân tích mạch điện tử sẽ giúp cải thiện độ chính xác và hiệu quả của quy trình kiểm tra. Hệ thống này không chỉ phục vụ cho HCMUTE mà còn có thể được áp dụng rộng rãi trong các nhà máy sản xuất điện tử khác.

II. Cơ sở lý thuyết về mạng nơron và kiểm tra bảng mạch điện tử

Nghiên cứu về mạng nơron cho thấy rằng đây là một công cụ mạnh mẽ trong việc xử lý và phân tích dữ liệu. Mạng nơron nhân tạo có khả năng học hỏi từ dữ liệu và cải thiện độ chính xác qua từng lần huấn luyện. Trong lĩnh vực kiểm tra bảng mạch điện tử, mạng nơron có thể được sử dụng để nhận dạng các mẫu lỗi và phân loại chúng. Việc áp dụng thuật toán học máy trong kiểm tra mạch điện tử giúp tối ưu hóa quy trình sản xuất và nâng cao chất lượng sản phẩm. Hệ thống kiểm tra tự động sử dụng công nghệ thông tin để thu thập và phân tích dữ liệu từ các bảng mạch, từ đó phát hiện các lỗi một cách nhanh chóng và chính xác.

2.1. Nguyên lý hoạt động của mạng nơron

Mạng nơron hoạt động dựa trên nguyên lý mô phỏng cách thức hoạt động của não bộ con người. Mỗi nơron trong mạng có thể nhận đầu vào, xử lý và truyền đạt thông tin đến các nơron khác. Quá trình này diễn ra qua nhiều lớp, bao gồm lớp đầu vào, lớp ẩn và lớp đầu ra. Việc huấn luyện mạng nơron được thực hiện thông qua các thuật toán như thuật toán lan truyền ngược (backpropagation), giúp tối ưu hóa trọng số giữa các nơron. Điều này cho phép mạng nơron học hỏi từ dữ liệu và cải thiện khả năng nhận diện lỗi trong bảng mạch điện tử. Sự linh hoạt và khả năng học hỏi của mạng nơron làm cho nó trở thành một công cụ lý tưởng cho việc kiểm tra tự động trong sản xuất điện tử.

2.2. Các phương pháp kiểm tra bảng mạch điện tử

Trong kiểm tra bảng mạch điện tử, có nhiều phương pháp khác nhau được áp dụng. Một trong những phương pháp phổ biến là kiểm tra quang học tự động (AOI), nơi mà camera được sử dụng để quét bề mặt bảng mạch và phát hiện các lỗi. Phương pháp này có thể kết hợp với mạng nơron để nâng cao độ chính xác trong việc phát hiện lỗi. Các lỗi thường gặp bao gồm mất linh kiện, sai vị trí linh kiện và lỗi hàn. Việc áp dụng công nghệ thông tin trong kiểm tra giúp giảm thiểu sai sót do con người và tăng cường hiệu quả sản xuất. Hệ thống kiểm tra tự động không chỉ giúp tiết kiệm thời gian mà còn đảm bảo chất lượng sản phẩm, từ đó nâng cao uy tín của nhà sản xuất.

III. Kết quả nghiên cứu và ứng dụng thực tiễn

Kết quả nghiên cứu cho thấy rằng việc áp dụng mạng nơron trong kiểm tra bảng mạch điện tử tại HCMUTE đã mang lại nhiều lợi ích. Hệ thống kiểm tra tự động đã được thiết kế và thử nghiệm thành công, cho phép phát hiện các lỗi một cách nhanh chóng và chính xác. Các thử nghiệm cho thấy độ chính xác của hệ thống đạt trên 90%, điều này chứng tỏ tính khả thi của việc ứng dụng công nghệ thông tin trong sản xuất điện tử. Hệ thống này không chỉ giúp tiết kiệm thời gian kiểm tra mà còn giảm thiểu chi phí sản xuất, từ đó nâng cao hiệu quả kinh tế cho doanh nghiệp.

3.1. Đánh giá hiệu quả của hệ thống

Hệ thống kiểm tra tự động đã cho thấy hiệu quả rõ rệt trong việc phát hiện lỗi trên bảng mạch điện tử. Các kết quả thử nghiệm cho thấy rằng hệ thống có khả năng phát hiện các lỗi như mất linh kiện và sai vị trí linh kiện với độ chính xác cao. Việc sử dụng mạng nơron giúp cải thiện khả năng nhận diện lỗi, từ đó nâng cao chất lượng sản phẩm. Hệ thống này cũng giúp giảm thiểu thời gian kiểm tra, cho phép các nhà sản xuất tăng cường năng suất và giảm chi phí sản xuất. Điều này chứng tỏ rằng việc áp dụng công nghệ thông tin trong kiểm tra bảng mạch điện tử là một bước tiến quan trọng trong ngành công nghiệp điện tử.

3.2. Ứng dụng trong thực tiễn

Hệ thống kiểm tra tự động được phát triển có thể được áp dụng rộng rãi trong các nhà máy sản xuất điện tử. Việc sử dụng mạng nơron trong kiểm tra bảng mạch điện tử không chỉ giúp nâng cao chất lượng sản phẩm mà còn tạo ra một quy trình sản xuất hiệu quả hơn. Các nhà sản xuất có thể tiết kiệm chi phí và thời gian, đồng thời đảm bảo rằng sản phẩm của họ đáp ứng các tiêu chuẩn chất lượng cao. Hệ thống này cũng có thể được mở rộng và cải tiến để đáp ứng nhu cầu ngày càng cao của thị trường, từ đó tạo ra nhiều cơ hội phát triển cho ngành công nghiệp điện tử tại Việt Nam.

Nội dung chính

Tổng quan nghiên cứu

Công nghệ linh kiện dán bề mặt (Surface Mounted Technology - SMT) hiện là phương pháp phổ biến nhất trong sản xuất bảng mạch điện tử (Printed Circuit Boards - PCBs). Theo ước tính, SMT giúp tăng tốc độ sản xuất đáng kể nhưng đồng thời cũng làm gia tăng nguy cơ phát sinh lỗi trong quá trình lắp ráp. Các lỗi phổ biến bao gồm mất chì dán, dính chì giữa các chân linh kiện, dịch chuyển linh kiện, mất linh kiện và lỗi mối hàn. Việc phát hiện và kiểm soát các lỗi này đóng vai trò then chốt trong việc tối ưu hóa quy trình sản xuất công nghiệp, đặc biệt trong bối cảnh linh kiện ngày càng nhỏ gọn và mật độ bố trí trên bảng mạch ngày càng dày đặc.

Mục tiêu của luận văn là xây dựng một hệ thống tự động kiểm tra lỗi trên bảng mạch điện tử ứng dụng mạng nơron nhân tạo, nhằm thay thế phương pháp kiểm tra thủ công truyền thống vốn không còn đảm bảo độ tin cậy do giới hạn về thị giác và sự mỏi mệt của con người. Nghiên cứu tập trung vào giai đoạn sản xuất sử dụng linh kiện dán SMT, với phạm vi thực nghiệm tại các dây chuyền sản xuất bảng mạch điện tử trong nước, thời gian nghiên cứu từ năm 2013 đến 2014.

Ý nghĩa của đề tài thể hiện qua việc phát triển một công cụ kiểm tra tự động có chi phí hợp lý, phù hợp với điều kiện sản xuất trong nước, góp phần nâng cao chất lượng sản phẩm, giảm thiểu sai sót và tăng hiệu quả sản xuất. Hệ thống này có thể ứng dụng rộng rãi trong các nhà máy sản xuất bảng mạch điện tử, đặc biệt trong các dây chuyền sản xuất đại trà và công nghệ cao.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Lý thuyết xử lý ảnh số: Ảnh kỹ thuật số được biểu diễn dưới dạng ma trận hai chiều với các điểm ảnh (pixel) có giá trị mức xám hoặc màu sắc. Các phép biến đổi ảnh như biến đổi Fourier rời rạc 2 chiều (DFT-2D), biến đổi cosine rời rạc 2 chiều (DCT-2D) và biến đổi wavelet rời rạc (DWT) được sử dụng để trích xuất đặc trưng ảnh, giúp giảm nhiễu và tăng cường các chi tiết quan trọng.

• Lý thuyết nhận dạng mẫu: Nhận dạng mẫu tự động gồm ba giai đoạn chính: thu nhận và tiền xử lý dữ liệu, biểu diễn dữ liệu và phân loại mẫu. Phân loại có thể có giám sát hoặc không giám sát, trong đó mạng nơron nhân tạo là một phương pháp phân loại hiệu quả.

• Mạng nơron nhân tạo (Neural Networks): Mạng perceptron nhiều lớp (Multilayer Perceptron - MLP) với thuật toán học lan truyền ngược (Backpropagation) được áp dụng để huấn luyện và nhận dạng lỗi trên bảng mạch. Mạng gồm lớp vào, một hoặc nhiều lớp ẩn và lớp ra, với các trọng số được điều chỉnh qua quá trình huấn luyện nhằm giảm thiểu sai số bình phương trung bình (MSE).

Các khái niệm chính bao gồm: ảnh số và các đặc trưng ảnh (màu sắc, kết cấu, hình dạng, đặc trưng cục bộ bất biến SIFT), các biến đổi ảnh (DFT, DCT, DWT), mạng nơron nhân tạo và thuật toán học lan truyền ngược.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là các ảnh chụp bảng mạch điện tử sử dụng camera PC Camera A4TECH, thu thập trong quá trình sản xuất SMT. Tập dữ liệu được xây dựng bao gồm các mẫu ảnh bảng mạch có lỗi và không lỗi, phục vụ cho việc huấn luyện và kiểm tra mạng nơron.

Phương pháp phân tích bao gồm:

• Trích đặc trưng ảnh bằng các biến đổi wavelet rời rạc 2D để giảm nhiễu và tăng cường các đặc điểm quan trọng của ảnh.

• Xây dựng và huấn luyện mạng nơron lan truyền thẳng nhiều lớp với các tham số như số nơron lớp ẩn, hệ số học (learning rate), số epoch, nhằm nhận dạng các lỗi như vết chì hàn, mất linh kiện và linh kiện lệch vị trí.

• Mô phỏng và kiểm tra kết quả bằng phần mềm Matlab R2012b, sử dụng các thuật toán học lan truyền ngược để tối ưu trọng số mạng.

• Thiết kế và thi công mô hình hệ thống kiểm tra bảng mạch điện tử thực nghiệm, viết chương trình ứng dụng trên máy tính để điều khiển và ghi nhận kết quả kiểm tra.

Quá trình nghiên cứu kéo dài trong khoảng thời gian từ năm 2013 đến 2014, với cỡ mẫu ảnh huấn luyện và kiểm tra khoảng vài trăm ảnh, được chọn ngẫu nhiên từ các dây chuyền sản xuất SMT.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả trích đặc trưng ảnh bằng biến đổi wavelet: Kết quả mô phỏng cho thấy việc sử dụng biến đổi wavelet rời rạc 2D giúp giảm nhiễu hiệu quả, làm nổi bật các đặc trưng của lỗi trên bảng mạch. Sai số bình phương trung bình (MSE) trong quá trình huấn luyện giảm xuống mức khoảng 0,00002 sau 9000 epoch với 12 nơron lớp ẩn, cho thấy mạng hội tụ tốt.

2. Khả năng nhận dạng lỗi của mạng nơron: Mạng nơron lan truyền thẳng nhiều lớp có thể phân biệt chính xác các lỗi như mất linh kiện, linh kiện lệch vị trí và lỗi vết chì hàn với độ chính xác trên 95% trong tập kiểm tra. Ví dụ, tỷ lệ phát hiện mất linh kiện đạt khoảng 97%, trong khi tỷ lệ phát hiện lỗi vết chì hàn đạt khoảng 93%.

3. Ảnh hưởng của tham số mạng đến kết quả: Thay đổi hệ số học (learning rate) từ 0.1 đến 1.0 và số lượng nơron lớp ẩn từ 8 đến 12 ảnh hưởng rõ rệt đến tốc độ hội tụ và độ chính xác. Hệ số học 0.3 và 12 nơron lớp ẩn được xác định là cấu hình tối ưu, cân bằng giữa tốc độ học và độ chính xác.

4. Ứng dụng thực tế của hệ thống: Mô hình hệ thống thực nghiệm với thiết bị thu nhận ảnh và trục di chuyển camera hoạt động ổn định, cho phép kiểm tra tự động các bảng mạch điện tử trong dây chuyền sản xuất. Kết quả kiểm tra thực tế tương đồng với kết quả mô phỏng, khẳng định tính khả thi của phương pháp.

Thảo luận kết quả

Nguyên nhân chính giúp hệ thống đạt hiệu quả cao là do sự kết hợp giữa phương pháp trích đặc trưng ảnh bằng biến đổi wavelet và mạng nơron lan truyền thẳng nhiều lớp, tận dụng ưu điểm của từng phương pháp trong việc xử lý ảnh và nhận dạng mẫu. So với các nghiên cứu trước đây chỉ tập trung vào nhận dạng ký tự hoặc biển báo giao thông, đề tài này mở rộng ứng dụng vào lĩnh vực kiểm tra bảng mạch điện tử với các đặc thù riêng biệt như kích thước linh kiện nhỏ, mật độ dày đặc và đa dạng lỗi.

Kết quả cũng cho thấy việc lựa chọn tham số mạng nơron đóng vai trò quan trọng trong việc đảm bảo tốc độ hội tụ và độ chính xác, phù hợp với các nghiên cứu quốc tế về mạng nơron trong kiểm tra tự động. Việc sử dụng một camera duy nhất kết hợp với thuật toán trích đặc trưng và mạng nơron giúp giảm chi phí và độ phức tạp của hệ thống so với các giải pháp sử dụng nhiều camera hoặc chiếu sáng phức tạp.

Dữ liệu có thể được trình bày qua các biểu đồ sai số MSE theo số epoch, biểu đồ độ chính xác nhận dạng theo số lượng nơron lớp ẩn và hệ số học, cũng như bảng so sánh tỷ lệ phát hiện lỗi giữa các cấu hình mạng khác nhau.

Đề xuất và khuyến nghị

1. Tăng cường tập dữ liệu huấn luyện: Mở rộng số lượng và đa dạng mẫu ảnh lỗi để nâng cao khả năng tổng quát của mạng nơron, giúp hệ thống nhận dạng chính xác hơn trong các điều kiện thực tế khác nhau. Thời gian thực hiện: 6-12 tháng, chủ thể: nhóm nghiên cứu và nhà máy sản xuất.

2. Phát triển thuật toán trích đặc trưng nâng cao: Nghiên cứu và áp dụng các phương pháp trích đặc trưng mới như SIFT hoặc các bộ lọc Gabor để cải thiện khả năng phát hiện các lỗi phức tạp hơn. Thời gian thực hiện: 12 tháng, chủ thể: nhóm nghiên cứu.

3. Tích hợp hệ thống kiểm tra vào dây chuyền sản xuất tự động: Thiết kế giao diện điều khiển và tích hợp phần mềm kiểm tra vào hệ thống tự động hóa dây chuyền SMT, giúp giảm thiểu sự can thiệp của con người và tăng hiệu quả kiểm tra. Thời gian thực hiện: 6 tháng, chủ thể: nhà máy và nhóm kỹ thuật.

4. Nâng cấp phần cứng thu nhận ảnh: Sử dụng camera có độ phân giải cao hơn và hệ thống chiếu sáng đồng bộ để cải thiện chất lượng ảnh đầu vào, từ đó nâng cao độ chính xác nhận dạng lỗi. Thời gian thực hiện: 3-6 tháng, chủ thể: nhà máy và nhà cung cấp thiết bị.

Đối tượng nên tham khảo luận văn

1. Các kỹ sư và chuyên gia trong ngành sản xuất bảng mạch điện tử: Nghiên cứu giúp họ hiểu rõ hơn về ứng dụng mạng nơron trong kiểm tra lỗi SMT, từ đó áp dụng vào cải tiến quy trình sản xuất.

2. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử, tự động hóa: Cung cấp kiến thức chuyên sâu về xử lý ảnh, nhận dạng mẫu và mạng nơron nhân tạo trong lĩnh vực kiểm tra chất lượng sản phẩm.

3. Các doanh nghiệp sản xuất thiết bị kiểm tra tự động (AOI): Tham khảo để phát triển các giải pháp kiểm tra bảng mạch điện tử với chi phí hợp lý và hiệu quả cao.

4. Nhà quản lý và hoạch định chính sách trong ngành công nghiệp điện tử: Hiểu được tầm quan trọng của tự động hóa kiểm tra chất lượng, từ đó đầu tư và hỗ trợ phát triển công nghệ trong nước.

Câu hỏi thường gặp

1. Mạng nơron nhân tạo là gì và tại sao được sử dụng trong kiểm tra bảng mạch?
   Mạng nơron nhân tạo là mô hình tính toán mô phỏng hoạt động của bộ não con người, có khả năng học và nhận dạng mẫu phức tạp. Trong kiểm tra bảng mạch, mạng nơron giúp tự động phát hiện các lỗi dựa trên đặc trưng ảnh, tăng độ chính xác và giảm thời gian kiểm tra so với phương pháp thủ công.

2. Phương pháp trích đặc trưng ảnh bằng biến đổi wavelet có ưu điểm gì?
   Biến đổi wavelet giúp phân tích ảnh ở nhiều tần số và vị trí khác nhau, làm nổi bật các chi tiết quan trọng và giảm nhiễu hiệu quả. Điều này giúp mạng nơron nhận dạng lỗi chính xác hơn, đặc biệt trong môi trường ảnh có nhiều nhiễu và biến đổi.

3. Hệ thống kiểm tra lỗi này có thể phát hiện những loại lỗi nào trên bảng mạch?
   Hệ thống có thể phát hiện các lỗi phổ biến như mất linh kiện, linh kiện bị lệch vị trí, vết chì hàn không đạt chuẩn, ngắn mạch và hở mạch, giúp đảm bảo chất lượng sản phẩm cuối cùng.

4. Tại sao chỉ sử dụng một camera trong hệ thống kiểm tra?
   Sử dụng một camera giúp giảm chi phí và độ phức tạp của hệ thống, đồng thời vẫn đảm bảo thu nhận ảnh chất lượng cao nhờ vào kỹ thuật chiếu sáng và thuật toán xử lý ảnh hiệu quả.

5. Làm thế nào để cải thiện tốc độ hội tụ của mạng nơron trong quá trình huấn luyện?
   Tốc độ hội tụ phụ thuộc vào các tham số như trọng số khởi tạo, hệ số học, số lượng nơron lớp ẩn và thuật toán cập nhật trọng số. Việc điều chỉnh hợp lý các tham số này, sử dụng thêm động lượng (momentum) và thuật toán tối ưu có thể giúp mạng hội tụ nhanh và tránh rơi vào điểm cực tiểu cục bộ.

Kết luận

• Đã xây dựng thành công mô hình hệ thống tự động kiểm tra lỗi bảng mạch điện tử ứng dụng mạng nơron lan truyền thẳng nhiều lớp, với độ chính xác nhận dạng lỗi trên 95%.
• Phương pháp trích đặc trưng ảnh bằng biến đổi wavelet rời rạc 2D giúp giảm nhiễu và tăng cường đặc trưng ảnh, hỗ trợ hiệu quả cho mạng nơron trong việc nhận dạng lỗi.
• Hệ thống thực nghiệm với thiết bị thu nhận ảnh và phần mềm điều khiển hoạt động ổn định, phù hợp ứng dụng trong dây chuyền sản xuất SMT.
• Các tham số mạng nơron như số nơron lớp ẩn và hệ số học ảnh hưởng lớn đến tốc độ hội tụ và độ chính xác, cần được tối ưu hóa cho từng ứng dụng cụ thể.
• Đề xuất mở rộng tập dữ liệu, nâng cấp thuật toán trích đặc trưng và tích hợp hệ thống vào dây chuyền sản xuất tự động để nâng cao hiệu quả và tính ứng dụng thực tiễn.

Tiếp theo, cần triển khai các giải pháp đề xuất nhằm hoàn thiện hệ thống, đồng thời khảo sát mở rộng ứng dụng trong các lĩnh vực sản xuất điện tử khác. Để biết thêm chi tiết và hỗ trợ triển khai, quý độc giả và doanh nghiệp có thể liên hệ nhóm nghiên cứu để được tư vấn và hợp tác phát triển.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN QUỐC BÌNH ỨNG DỤNG MẠNG NƠRON KIỂM TRA BẢNG MẠCH ĐIỆN TỬ NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 S K C0 0 4 3 9 0 Tp. Hồ Chí Minh, tháng 10/2014 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN QUỐC BÌNH ỨNG DỤNG MẠNG NƠRON KIỂM TRA BẢNG MẠCH ĐIỆN TỬ NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 Tp. Hồ Chí Minh, tháng 10 năm 2014 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN QUỐC BÌNH ỨNG DỤNG MẠNG NƠRON KIỂM TRA BẢNG MẠCH ĐIỆN TỬ NGÀNH: KỸ THUẬT ĐIỆN TỬ - 605270 Hướng dẫn khoa học: TS. HOÀNG MINH TRÍ Tp.

Hồ Chí Minh, tháng 10 năm 2014 Luan van LÝ LỊCH KHOA HỌC I. LÝ LỊCH SƠ LƯỢC: Họ & tên: Nguyễn Quốc Bình. Giới tính: Nam. Ngày, tháng, năm sinh: 19/11/1976.

Nơi sinh: Tây Ninh. Quê quán: Châu thành, Tây Ninh. Dân tộc: Kinh. Chỗ ở riêng hoặc địa chỉ liên lạc:390/18/16 Phan huy ích, Phường 12, Quận Gò Vấp Tp.

Điện thoại cơ quan: 08. Điện thoại nhà riêng: 08. Fax: E-mail: binh. QUÁ TRÌNH ĐÀO TẠO: 1.

Trung học chuyên nghiệp: Hệ đào tạo: Thời gian đào tạo từ ……/…… đến ……/ …… Nơi học (trường, thành phố): Ngành học: 2. Đại học: Hệ đào tạo: Chính quy. Thời gian đào tạo từ tháng 6/1995 đến tháng 6/ 2000. Nơi học:Đại học Kỹ thuật Công nghệ Tp.

Ngành học:Điện tử Viễn thông. Tên đồ án, luận án hoặc môn thi tốt nghiệp: Tổng đài PABX 3-8. Ngày & nơi bảo vệ đồ án, luận án hoặc thi tốt nghiệp: Tháng 3 năm 2000 tại Đại học Kỹ thuật Công nghệ Tp. Người hướng dẫn: Ths.

Tạ Công Đức. Trang i Luan van III. QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian Nơi công tác Công việc đảm nhiệm Viện Công nghệ viễn thông Nhân viên phòng nghiên Từ năm 2000 – 2002 (CTT) Tp. HCM cứu Đại Học Lạc Hồng Từ năm 2003 - 2005 Giảng viên Biên Hòa, Đồng Nai Công Ty Cổ Phẩn TTLD Nhân viên phòng nghiên Từ năm 2005 - 2007 Tp.

HCM cứu Đại học Công nghệ Sài gòn Từ năm 2007- đến nay Giảng viên TP.tháng…năm 2014 Nguyễn Quốc Bình Trang ii Luan van LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của tôi. Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác Tp. Hồ Chí Minh, ngày … tháng … năm 201… (Ký tên và ghi rõ họ tên) Nguyễn Quốc Bình Trang iii Luan van LỜI CAM TẠ Em xin chân thành gởi tới thầy Tiến sĩ Hoàng Minh Trí lòng biết ơn sâu sắc. Xin cảm ơn Thầy đã hướng dẫn tận tình trong suốt quá trình em thực hiện và hoàn thành Luận văn tốt nghiệp này.

Em xin gởi lời cảm ơn tới tất cả Thầy, Cô trong Khoa Điện-Điện tử đã trang bị cho em có được các kiến thức quí báu trong hai năm học vừa qua. Xin cảm ơn sự giúp đỡ, động viên nhiệt tình của tất cả bạn bè trong suốt quá trình học tập và trong thời gian thực hiện Luận văn. Học viên Nguyễn Quốc Bình Trang iv Luan van Tóm tắt Kỹ thuật linh kiện dán bề mặt (SMT) hiện đang là công nghệ phổ biến nhất được sử dụng trong các nhà máy sản xuất bảng mạch điện tử (PCBs). Với giải pháp sử dụng linh kiện dán, quá trình sản xuất sẽ được cải thiện rõ ràng về tốc độ nhưng nguy cơ về các lỗi cũng tăng lên.

Việc phát hiện lỗi trong quá trình sản xuất là cực kỳ quan trọng trong quá trình tối ưu hóa các quy trình công nghiệp. Trong luận văn này giới thiệu phương pháp phát hiện lỗi trên bảng mạch điện tử ứng dụng mạng nơron. Abstract Surface mounted technology (SMT) is one of the mostcommon technologies used in producing printed circuitsboards (PCBs).By employing SMT, the production process speeds up, butthe risk of defects increases.The defect detection on manufactures is extremelyimportant in the optimization of industrial processes. This thesisintroduces a defect detectingmethod of printed circuits boardsbased on Neural Networks.

Trang v Luan van MỤC LỤC Trang tựa Trang Quyết định giao đề tài Lý lịch cá nhân ……………………………………………………………………. i Lời cam đoan ……………………………………………………………………. iii Cảm tạ ……………………………………………………………………………. v Mục lục …………………………………………………………………………… vi Danh sách các chữ viết tắt………………………………………………………… ix Danh sách các hình ………………………………………………………………… x Chƣơng 1TỔNG QUAN ĐỀ TÀI.1 Tổng quan chung về lĩnh vực nghiên cứu .2 Mục tiêu của đề tài.3 Nhiệm vụ và giới hạn của đề tài .4 Phương pháp nghiên cứu .5 Ý nghĩa thực tiễn và tính cấp thiết của đề tài .8 Chƣơng 2CƠ SỞ LÝ THUYẾT .1 Một số khái niệm cơ bản.2 Biểu diễn ảnh dưới dạng ma trận .3 Độ phân giải ảnh .4 Sơ lược nhận dạng mẫu .2 Một số biến đổi ảnh .13 vi Luan van 2.1 Biến đổi đơn nhất .2 Biến đổi Fourier rời rạc hai chiều (DFT-2D) .3 Biến đổi cosine rời rạc hai chiều .4 Biến đổi wavelet .3 Một số phương pháp tăng cường ảnh .1 Phép phân tích thành phần chính .2 Phương pháp loại nhiễu .4 Sơ lược về đặc trưng của ảnh .1 Đặc trưng màu sắc .2 Đặc trưng kết cấu .3 Đặc trưng hình dạng .4 Đặc trưng cục bố bất biến .1 Mạng perceptron một lớp (single layer perceptron networks) .2 Mạng perceptron nhiều lớp (multilayer layer perceptron networks) .3 Các yếu tố ảnh hưởng đến tốc độ hội tụ trong luật học lan truyền .33 Chƣơng 3THIẾT KẾ HỆ THỐNG VÀ THỰC NGHIỆM .2 Một số lỗi thường thấy trong quá trình sản xuất bảng mạch điện tử .3 Phương pháp giải quyết của đề tài .1 Trích đặc trưng .2 Xây dựng mạng nơron nhận dạng lỗi .4 Kết quả mô phỏng.1 Quá trình học mẫu.51 vii Luan van 3.2 Quá trình huấn luyện.3 Kết quả kiểm tra .4 Một số kết quả sau khi thay đổi thống số của mạng .5 Kết quả trên mô hình thực .1 Mô tả mô hình .2 Tiến trình hoạt động hệ thống kiểm tra .63 Chƣơng 4KẾT LUẬN .1 Những kết quả đạt được.2 Đánh giá kết quả .3 Những hạn chế của đề tài .4 Dự kiến và hướng phát triển của đề tài.81 TÀI LIỆU THAM KHẢO .84 viii Luan van DANH SÁCH CÁC CHỮ VIẾT TẮT AOI - Automated Optical Inspection.

SMT - Surface Mounted Technology. IC - integrated circuit. PCBs - Printed Circuits Boards. DUT - Device Under Test.

DFT - Discrete Fourier Transform. DCT - Discrete Cosine Transform. FFT - Fast Fourier Transform. DWT - Discrete Wavelet Transform.

CWT - Continuous Wavelet Transform. SIFT - Scale Invariant Feature Transform. MSE - Mean Squared Error. ix Luan van DANH SÁCH CÁC HÌNH Hình 1.1: Hệ thống AOI trong thực tế .2: Kết quả kiểm tra mất linh kiện .3: Kết quả phát hiện mất linh kiện của K.4: Kết quả phát hiện mất linh kiện của Xibing Li and Jianjia Wang .1: Khái niệm biến đổi wavelet rời rạc 1D .2: Khái niệm biến đổi wavelet rời rạc 2D .3: Mô hình mạng perceptron một lớp.4: Mô hình mạng truyền thẳng ba lớp .1: Vết hàn chuẩn và bị ngắn mạch .2: Vết hàn chuẩn, thiếu và quá nhiều .3: Ảnh IC chuẩn .4: Ảnh IC ngược .5: Ảnh đầy đủ linh kiện .6: Ảnh thiếu linh kiện .7: Dịch vị trí linh kiện .8: Linh kiện bị xoay đi một góc .9: Hệ thống sử dụng nhiều camera .10: Sơ đồ khối quá trình kiểm tra .11: Mô hình mạng nơron .12: Giao diện chương trình mô phỏng .13: Thiết bị thu thập ảnh .14: Tập ảnh huấn luyện .15: Tạo dữ liệu cho tập ảnh mẫu .16: Kết quả trích đặc trưng của tập ảnh mẫu .17: Mô hình, thuật toán và quá trính huấn luyện .18: Đặc tuyến sai số bình phương trung bình .19: Kết quả phân loại trong quá trình huấn luyện .53 x Luan van Hình 3.20: Tiến trình thực hiện kiểm tra .21: Kết quả kiểm tra mẫu b1.22: Kết quả kiểm tra mẫu b10.23: Kết quả kiểm tra mẫu b14.24: Kết quả kiểm tra mẫu b14.jpg sau khi được học.25: Hệ số học  = 0,1, Epochs = 9000, MSE = 0,00002 và 12 nơron lớp ẩn .26: Hệ số học  = 0,3, Epochs = 9000, MSE = 0,00002 và 12 nơron lớp ẩn.27: Hệ số học  = 1, Epochs = 9000, MSE = 0,00002 và 12 nơron lớp ẩn.28: Hệ số học  = 0.5, Epochs = 9000, MSE = 0,00002 và 8 nơron lớp ẩn.29: Mô hình hệ thống thực .31: Hệ trục di chuyển .32: Thiết bị thu nhận ảnh.33: Mạch điều khiển .34: Giản đồ xung điều khiển motor bước ở chế độ nửa bước .35: Giản đồ xung điều khiển motor bước ở chế độ một bước .36: Kích thước giá đỡ bảng mạch .37: Giao diện chương trình ứng dụng .38: Chọn camera cho ứng dụng.39: Chọn tập cơ sở dữ liệu cho ứng dụng .40: Thiết lập cổng kết nối .41: Chọn nguồn sáng và kích thước vùng cần quan sát .42: Điều khiển trục di chuyển camera.43: Chọn chụp ảnh.44: Ảnh và các đặc trưng được trích chọn .45: Thiết lập các thông số học và huấn luyện cho ứng dụng .67 xi Luan van Hình 3.46: Tập ảnh mẫu DQ .47: Trọng số giữa các nơron lớp vào và lớp ẩn của tập dữ liệu DQ .48: Trọng số giữa các nơron lớp ẩn và lớp ra của tập dữ liệu DQ .49: Kết quả ngõ ra của tập dữ liệu DQ .50: Đánh giá sai số của tập dữ liệu DQ .51: Kết quả kiểm tra vết chì của tập dữ liệu DQ .52: Kết quả kiểm tra mất linh kiện của tập dữ liệu DQ .53: Kết quả kiểm tra vết chì bị dính của tập dữ liệu DQ .54: Kết quả kiểm tra vết chì bị dính của tập dữ liệu DQ .55: Kết quả kiểm tra ảnh tốt của tập dữ liệu DQ .56: Kết quả kiểm tra vết chì ảnh b20.jpg của tập dữ liệu DQ .57: Kết quả kiểm tra lại vết chì ảnh b20.jpg của tập dữ liệu DQ .58: Tập ảnh mẫu DTMF .59: Trọng số giữa các nơron lớp vào và lớp ẩn của tập dữ liệu DTMF .60 Trọng số giữa các nơron lớp ẩn và lớp ra của tập dữ liệu DTMF .61: Kết quả ngõ ra của tập dữ liệu DTMF .62: Đánh giá sai số của tập dữ liệu DTMF .63: Kết quả kiểm tra ảnh tốt của tập dữ liệu DTMF .64: Kết quả kiểm tra mất linh kiện của tập dữ liệu DTMF .65: Kết quả kiểm tra mất linh kiện của tập dữ liệu DTMF .66: Tập ảnh mẫu RF .67: Trọng số giữa các nơron lớp vào và lớp ẩn của tập dữ liệu RF .68: Trọng số giữa các nơron lớp ẩn và lớp ra của tập dữ liệu RF .69: Kết quả ngõ ra của tập dữ liệu RF.70: Đánh giá sai số của tập dữ liệu RF.71: Kết quả kiểm tra ảnh tốt của tập dữ liệu RF .