Inspection qualité par IA pour l'assemblage de PCB : détecter les défauts de soudure à 200 unités par minute
L'inspection optique automatisée (AOI) traditionnelle pour l'assemblage de PCB fonctionne en comparant chaque joint de soudure à une bibliothèque de règles programmées. Si la hauteur du ménisque est comprise entre X et Y, et que l'angle de mouillage est compris entre A et B, le joint est validé. Le problème est que les assemblages de PCB sont devenus plus denses, les composants plus petits (les passifs 0201 mesurent 0,6 mm x 0,3 mm), et la variété des géométries de joints acceptables s'est élargie au-delà de ce que les systèmes basés sur des règles peuvent gérer efficacement.
Un sous-traitant électronique à Guadalajara m'a confié qu'il passait 3,5 heures par nouveau produit à programmer son système AOI traditionnel, tout en conservant un taux de faux rejets de 6 % sur les boîtiers QFN à pas fin. Après être passé à un système basé sur l'IA, le temps de programmation est tombé à environ 40 minutes par nouveau produit, et le taux de faux rejets a chuté à 1,8 %.
En quoi l'AOI basée sur l'IA diffère de l'AOI traditionnelle
L'AOI traditionnelle utilise des algorithmes d'inspection préprogrammés : reconnaissance de formes pour la présence des composants, mesure dimensionnelle pour la précision du placement, et analyse de luminosité/contraste pour la qualité de la soudure. Chaque type de composant et de boîtier nécessite son propre jeu de paramètres d'inspection, et ces paramètres doivent être ajustés lorsque la formulation de la pâte à braser, le profil de refusion ou même la finition de surface du PCB change.
Les systèmes basés sur l'IA remplacent la plupart de ces algorithmes ajustés manuellement par des modèles d'apprentissage profond entraînés sur des images étiquetées de joints de soudure conformes et défectueux. Le modèle apprend à quoi ressemblent les joints de soudure acceptables pour chaque type de composant à partir d'exemples plutôt que de règles explicites. Cela rend le système intrinsèquement plus flexible, car une légère variation d'apparence du joint qui déclencherait une fausse alarme dans un système basé sur des règles se situe dans la distribution apprise des joints acceptables.
Les architectures de réseaux neuronaux utilisées sont généralement des variantes de YOLO (pour la détection et la localisation des composants) combinées à des réseaux de classification de type ResNet ou similaires (pour la classification qualité joint par joint). Certains systèmes utilisent une approche en deux étapes où la première étape détecte et recadre les joints individuels, et la seconde étape classe chaque joint comme acceptable ou défectueux avec un type de défaut spécifique.
Types de défauts et taux de détection
Le pontage de soudure (connexions involontaires entre des pastilles adjacentes) est le défaut le plus facile à détecter pour l'IA, avec des taux de détection systématiquement supérieurs à 99 %. La signature visuelle est distinctive et les conséquences d'un pontage manqué sont graves (court-circuit électrique), de sorte que les modèles sont entraînés avec une forte emphase sur cette classe de défauts.
L'insuffisance de soudure et les joints de soudure froids sont plus délicats. La différence entre un joint marginalement acceptable et un joint froid peut être subtile, en particulier sur les boîtiers sans pattes comme les QFN et les BGA où le joint est partiellement caché sous le corps du composant. Les systèmes d'IA atteignent des taux de détection de 93 % à 97 % sur ces défauts, contre 85 % à 90 % pour l'AOI traditionnelle.
L'effet tombstone (lorsqu'un composant passif se dresse sur une extrémité) est bien détecté par les systèmes IA comme traditionnels, car la différence visuelle est spectaculaire. Les défauts head-in-pillow sur les BGA restent difficiles pour toute inspection optique, puisque le défaut se situe entre la bille et la pastille et n'est pas visible par le dessus. L'inspection par rayons X reste nécessaire pour une inspection complète des BGA.
Les erreurs de polarité des composants constituent un cas intéressant. L'AOI traditionnelle vérifie la polarité en recherchant des marquages spécifiques (bandes de cathode sur les diodes, indicateurs de broche 1 sur les circuits intégrés). Les systèmes d'IA peuvent apprendre la polarité à partir de l'apparence globale du composant, détectant les cas où les marquages sont effacés, mal alignés ou masqués par des résidus de flux.
Compromis entre vitesse et résolution
À 200 unités par minute sur une ligne SMT à haut volume, le système d'inspection dispose d'environ 300 millisecondes par carte. Pour une carte comportant 2 000 joints de soudure, cela représente 0,15 milliseconde par joint pour la capture d'image et l'analyse. Les systèmes modernes y parviennent grâce à une combinaison de caméras linéaires à haute vitesse (100 kHz ou plus), d'inférence accélérée par GPU et d'architectures de modèles efficaces conçues pour la vitesse d'inférence plutôt que pour la précision maximale.
La résolution est déterminante. Un système typique d'inspection en fabrication pour les composants SMT standard (0402 et plus grands) fonctionne à 15 à 20 micromètres par pixel. Pour les composants à pas fin (BGA à pas de 0,4 mm, passifs 0201), la résolution doit être de 7 à 10 micromètres par pixel, ce qui nécessite soit des caméras à plus haute résolution, soit des passages multiples avec des champs de vision chevauchants. La résolution plus élevée réduit le débit, d'où un compromis d'ingénierie entre le détail d'inspection et la cadence de la ligne.
Exigences en matière de données d'entraînement
L'entraînement initial d'un système AOI basé sur l'IA nécessite un jeu de données conséquent. Une implémentation typique commence avec 50 000 à 200 000 images de joints de soudure étiquetées couvrant la gamme de types de composants et de classes de défauts que le système rencontrera. La collecte de ce jeu de données en production prend 2 à 4 semaines, selon le volume et la variété des produits.
L'amélioration continue du modèle repose sur une boucle de rétroaction. Lorsqu'un opérateur humain annule la décision de l'IA (en acceptant une pièce que l'IA a rejetée, ou en détectant un défaut que l'IA a manqué), ces données sont réinjectées dans le jeu d'entraînement. Sur 3 à 6 mois, la précision du modèle sur le mix produit spécifique s'améliore de manière mesurable, gagnant généralement 1 à 2 points de pourcentage en taux de détection tout en divisant par deux le taux de faux rejets.
Les techniques d'augmentation de données (rotation des images, ajustement de la luminosité et du contraste, simulation de différentes conditions d'éclairage) aident à étendre le jeu de données d'entraînement effectif, mais les données de production réelles provenant de la ligne elle-même, avec ses angles de caméra spécifiques, sa configuration d'éclairage et les caractéristiques de sa pâte à braser, produisent toujours de meilleurs résultats que les données synthétiques.
Impact économique
La comparaison directe des coûts entre l'AOI traditionnelle et l'AOI basée sur l'IA est à peu près équivalente au niveau matériel (les deux utilisent des caméras et un éclairage similaires). La différence se manifeste dans le temps de programmation (réduction de 60 % à 80 %), le taux de faux rejets (réduction de 50 % à 70 %) et le taux d'échappement (défauts expédiés aux clients, réduction typique de 30 % à 50 %).
Pour un sous-traitant électronique produisant 50 assemblages de PCB différents par an, les économies de temps de programmation seules peuvent justifier la transition. À raison de 3 heures économisées par introduction de nouveau produit multipliées par 50 produits, cela représente 150 heures par an de temps d'ingénierie libéré, soit une valeur d'environ 15 000 à 22 000 dollars selon le coût chargé de l'ingénieur.
La réduction des faux rejets a un impact plus difficile à quantifier mais tout aussi réel sur la fatigue des opérateurs et la confiance dans le système. Lorsque les opérateurs voient trop de fausses alarmes, ils commencent à valider les rejets de manière automatique, ce qui annule l'objectif de l'inspection. Maintenir le taux de faux rejets en dessous de 2 % préserve l'engagement des opérateurs et garantit que les vrais défauts reçoivent l'attention appropriée.