Inspección de calidad con IA para ensamblaje de PCB: detección de defectos de soldadura a 200 unidades por minuto
La inspección óptica automatizada (AOI) tradicional para el ensamblaje de PCB funciona comparando cada junta de soldadura con una biblioteca de reglas programadas. Si la altura del filete está entre X e Y, y el ángulo de mojado está entre A y B, la junta pasa. El problema es que los ensamblajes de PCB se han vuelto más densos, los componentes se han hecho más pequeños (los pasivos 0201 miden 0,6 mm x 0,3 mm), y la variedad de geometrías de junta aceptables se ha expandido más allá de lo que los sistemas basados en reglas pueden manejar de manera eficiente.
Un fabricante por contrato en Guadalajara me dijo que dedicaban 3,5 horas por producto nuevo a programar su sistema AOI tradicional, y aun así tenían una tasa de falsas alarmas del 6% en paquetes QFN de paso fino. Después de cambiar a un sistema basado en IA, el tiempo de programación se redujo a unos 40 minutos por producto nuevo, y la tasa de falsas alarmas bajó al 1,8%.
En qué se diferencia la AOI basada en IA de la AOI tradicional
La AOI tradicional utiliza algoritmos de inspección preprogramados: coincidencia de patrones para la presencia de componentes, medición dimensional para la precisión de colocación, y análisis de brillo/contraste para la calidad de la soldadura. Cada tipo de componente y encapsulado necesita su propio conjunto de parámetros de inspección, y los parámetros requieren ajustes cuando cambia la formulación de la pasta de soldadura, el perfil de reflujo o incluso el acabado superficial de la PCB.
Los sistemas basados en IA reemplazan la mayoría de estos algoritmos ajustados manualmente con modelos de aprendizaje profundo entrenados con imágenes etiquetadas de juntas de soldadura buenas y defectuosas. El modelo aprende cómo se ven las juntas de soldadura aceptables para cada tipo de componente a partir de ejemplos en lugar de reglas explícitas. Esto hace que el sistema sea inherentemente más flexible, porque un ligero cambio en la apariencia de la junta que activaría una falsa alarma en un sistema basado en reglas está dentro de la distribución aprendida de juntas aceptables.
Las arquitecturas de redes neuronales utilizadas son típicamente variantes de YOLO (para la detección y localización de componentes) combinadas con ResNet o redes de clasificación similares (para la clasificación de calidad por junta individual). Algunos sistemas utilizan un enfoque de dos etapas donde la primera etapa detecta y recorta las juntas individuales, y la segunda etapa clasifica cada junta como aceptable o defectuosa con un tipo de defecto específico.
Tipos de defectos y tasas de detección
El puente de soldadura (conexiones no deseadas entre pads adyacentes) es el defecto más fácil de detectar para la IA, con tasas de detección consistentemente superiores al 99%. La firma visual es distintiva y las consecuencias de no detectar un puente son graves (cortocircuito eléctrico), por lo que los modelos se entrenan con un fuerte énfasis en esta clase de defecto.
La soldadura insuficiente y las juntas de soldadura fría son más complicadas. La diferencia entre una junta marginalmente aceptable y una junta fría puede ser sutil, especialmente en encapsulados sin terminales como QFN y BGA, donde la junta está parcialmente oculta bajo el cuerpo del componente. Los sistemas de IA logran tasas de detección del 93% al 97% en estos defectos, en comparación con el 85% al 90% de la AOI tradicional.
El tombstoning (cuando un componente pasivo se levanta sobre un extremo) es bien detectado tanto por sistemas de IA como tradicionales porque la diferencia visual es dramática. Los defectos de head-in-pillow en BGA siguen siendo un desafío para cualquier tipo de inspección óptica, ya que el defecto se encuentra entre la bola y el pad y no es visible desde arriba. La inspección por rayos X sigue siendo necesaria para una inspección integral de BGA.
Los errores de polaridad de componentes son un caso interesante. La AOI tradicional verifica la polaridad buscando marcas específicas (bandas de cátodo en diodos, indicadores de pin 1 en circuitos integrados). Los sistemas de IA pueden aprender la polaridad a partir de la apariencia general del componente, detectando casos donde las marcas están desvanecidas, desalineadas u ocultas por residuos de flux.
Compromisos entre velocidad y resolución
A 200 unidades por minuto en una línea SMT de alto volumen, el sistema de inspección tiene aproximadamente 300 milisegundos por placa. Para una placa con 2.000 juntas de soldadura, eso es 0,15 milisegundos por junta para la captura y el análisis de imagen. Los sistemas modernos logran esto mediante una combinación de cámaras de escaneo lineal de alta velocidad (100 kHz o más), inferencia acelerada por GPU y arquitecturas de modelos eficientes diseñadas para velocidad de inferencia en lugar de máxima precisión.
La resolución importa. Un sistema típico de inspección de manufactura para componentes SMT estándar (0402 y mayores) opera a 15 a 20 micrómetros por píxel. Para componentes de paso fino (BGA de 0,4 mm de paso, pasivos 0201), la resolución necesita ser de 7 a 10 micrómetros por píxel, lo que requiere cámaras de mayor resolución o múltiples pasadas con campos de visión superpuestos. La mayor resolución reduce el rendimiento, por lo que existe un compromiso de ingeniería entre el detalle de inspección y la velocidad de línea.
Requisitos de datos de entrenamiento
El entrenamiento inicial de un sistema AOI basado en IA requiere un conjunto de datos sustancial. Una implementación típica comienza con 50.000 a 200.000 imágenes etiquetadas de juntas de soldadura que cubren la gama de tipos de componentes y clases de defectos que el sistema encontrará. Recopilar este conjunto de datos de la producción toma de 2 a 4 semanas, dependiendo del volumen y la variedad de productos.
La mejora continua del modelo utiliza un ciclo de retroalimentación. Cuando un revisor humano anula la decisión de la IA (aceptando una pieza que la IA rechazó, o detectando un defecto que la IA pasó por alto), esos datos se incorporan al conjunto de entrenamiento. En un período de 3 a 6 meses, la precisión del modelo en la mezcla de productos específica mejora de manera medible, ganando típicamente de 1 a 2 puntos porcentuales en la tasa de detección mientras reduce a la mitad la tasa de falsas alarmas.
Las técnicas de aumento de datos (rotar imágenes, ajustar brillo y contraste, simular diferentes condiciones de iluminación) ayudan a extender el conjunto de datos de entrenamiento efectivo, pero los datos reales de producción de la línea real, con sus ángulos de cámara específicos, configuración de iluminación y características de la pasta de soldadura, siempre producen mejores resultados que los datos sintéticos.
Impacto económico
La comparación directa de costos entre la AOI tradicional y la basada en IA es aproximadamente equivalente a nivel de hardware (ambas utilizan cámaras e iluminación similares). La diferencia se manifiesta en el tiempo de programación (reducción del 60% al 80%), la tasa de falsas alarmas (reducción del 50% al 70%) y la tasa de escape (defectos enviados a los clientes, típicamente una reducción del 30% al 50%).
Para un fabricante por contrato que maneja 50 ensamblajes de PCB diferentes por año, el ahorro en tiempo de programación por sí solo puede justificar la transición. Con 3 horas ahorradas por introducción de nuevo producto multiplicadas por 50 productos, eso son 150 horas al año de tiempo de ingeniería liberado, con un valor aproximado de $15.000 a $22.000 dependiendo del costo cargado del ingeniero.
La reducción de falsas alarmas tiene un impacto más difícil de cuantificar pero igualmente real en la fatiga del operador y la confianza en el sistema. Cuando los operadores ven demasiadas falsas alarmas, comienzan a aprobar los rechazos de forma automática, lo que anula el propósito de la inspección. Mantener la tasa de falsas alarmas por debajo del 2% preserva el compromiso del operador y asegura que los defectos reales reciban la atención adecuada.