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.