AI Vision ngành điện tử: Kiểm tra linh kiện, mối hàn và PCB tự động

Ngành điện tử: AI Vision kiểm tra lỗi linh kiện, mối hàn và bảng mạch PCB tự động như thế nào?

AI Vision có thể kiểm tra linh kiện điện tử, mối hàn và bảng mạch PCB bằng cách chụp ảnh sản phẩm, phân tích hình ảnh và phát hiện những dấu hiệu bất thường theo tiêu chí đã thiết lập. Với linh kiện đặt sai vị trí, thiếu linh kiện, chân hàn lỗi hoặc bề mặt PCB có khuyết điểm, hệ thống có thể tự động đánh dấu vị trí nghi ngờ để xử lý. Tuy nhiên, mỗi loại lỗi cần cách chụp ảnh, ánh sáng và phương pháp kiểm tra khác nhau; không phải cứ lắp camera AI là phát hiện được mọi lỗi. Để chọn đúng giải pháp, nhà máy cần xác định lỗi nào cần tìm, kiểm tra ở công đoạn nào và mức độ chính xác cần đạt trước khi đầu tư.

AI Vision trong ngành điện tử là gì và kiểm tra được những lỗi nào?

AI Vision là hệ thống dùng camera công nghiệp kết hợp phần mềm trí tuệ nhân tạo để phân tích hình ảnh sản phẩm. Trong nhà máy điện tử, hệ thống có thể kiểm tra vị trí linh kiện, tình trạng bề mặt, hình dạng mối hàn hoặc các dấu hiệu bất thường trên bảng mạch PCB.

Khác với việc chỉ chụp ảnh để người vận hành xem lại, AI Vision được huấn luyện để nhận biết những đặc điểm cần kiểm tra. Khi sản phẩm đi qua trạm kiểm tra, hệ thống chụp ảnh, phân tích và đưa ra kết quả theo quy tắc đã thiết lập, chẳng hạn đạt, không đạt hoặc cần kiểm tra thêm.

Tùy công đoạn, hệ thống có thể phát hiện các nhóm lỗi sau:

- Lỗi linh kiện: thiếu linh kiện, sai loại, đặt lệch, xoay sai chiều, lắp ngược hoặc sai vị trí so với thiết kế.
- Lỗi mối hàn: hình dạng mối hàn bất thường, lượng thiếc nhìn thấy không phù hợp, cầu hàn hoặc dấu hiệu bề mặt đáng ngờ.
- Lỗi bề mặt PCB: vết xước, đốm bẩn, vùng đổi màu, hư hại nhìn thấy được hoặc dấu hiệu bất thường ở lớp phủ.
- Lỗi in kem hàn: thiếu kem hàn, in lệch, lượng kem hàn không đồng đều hoặc lem sang vùng bên cạnh, nếu hệ thống được bố trí ở công đoạn phù hợp.
- Lỗi lắp ráp: thiếu vít, thiếu chi tiết, đầu nối chưa đúng vị trí hoặc lắp sai hướng.

Điểm cần lưu ý là khả năng kiểm tra phụ thuộc vào loại camera, độ phân giải, góc nhìn, ánh sáng và dữ liệu huấn luyện. Một camera chụp từ trên xuống có thể nhìn rõ vị trí linh kiện nhưng chưa chắc đánh giá được chất lượng mối hàn nằm khuất dưới thân linh kiện.

AI Vision kiểm tra linh kiện điện tử trên dây chuyền như thế nào?

Với linh kiện điện tử, điều quan trọng không chỉ là nhận ra linh kiện có xuất hiện trong ảnh hay không. Hệ thống còn cần xác định linh kiện đó có đúng loại, đúng vị trí và đúng hướng theo yêu cầu lắp ráp hay không.

Quy trình thường bắt đầu bằng việc đưa PCB đến vị trí chụp ảnh. Camera ghi lại khu vực cần kiểm tra, phần mềm xác định từng vùng linh kiện và so sánh đặc điểm quan sát được với dữ liệu tham chiếu hoặc mô hình đã huấn luyện.

Ví dụ, trên một bảng mạch có hàng chục điện trở và tụ điện, AI Vision có thể kiểm tra xem vị trí quy định có linh kiện hay không, linh kiện có bị xoay lệch đáng kể hay không và một số dấu hiệu bên ngoài có khác với mẫu đạt hay không.

Những lỗi có thể kiểm tra gồm:

- Thiếu điện trở, tụ điện, IC hoặc đầu nối.
- Linh kiện bị lệch khỏi vị trí thiết kế.
- Linh kiện phân cực bị lắp ngược chiều.
- Sai loại linh kiện có hình dạng hoặc dấu hiệu nhận dạng khác biệt.
- Linh kiện bị nứt, sứt hoặc biến dạng ở vùng camera quan sát được.

Tuy nhiên, không phải mọi linh kiện đều có thể phân biệt chỉ bằng hình ảnh thông thường. Hai linh kiện có vỏ ngoài gần giống nhau nhưng khác thông số điện có thể không thể nhận diện chắc chắn nếu mã in quá nhỏ, bị che hoặc không có dấu hiệu hình ảnh đủ khác biệt.

Trong trường hợp đó, nhà máy cần kết hợp dữ liệu mã linh kiện, kiểm tra mã vạch, OCR, thông tin chương trình lắp ráp hoặc thiết bị đo điện phù hợp. AI Vision không thay thế được những phép kiểm tra mà hình ảnh không thể cung cấp thông tin.

AI Vision phát hiện lỗi mối hàn có đáng tin cậy không?

AI Vision có thể phát hiện các dấu hiệu bất thường trên bề mặt mối hàn, nhưng cần phân biệt rõ giữa lỗi nhìn thấy được và lỗi chất lượng nằm bên trong mối hàn.

Với mối hàn SMT, camera có thể kiểm tra hình dạng vùng hàn, dấu hiệu cầu hàn, lượng thiếc nhìn thấy bất thường, vị trí chân linh kiện và một số biểu hiện liên quan đến quá trình hàn. Khi hình ảnh đủ rõ và góc quan sát phù hợp, phần mềm có thể phân loại các vùng nghi ngờ để hệ thống loại sản phẩm hoặc chuyển sang kiểm tra bổ sung.

Dù vậy, một mối hàn nhìn bên ngoài bình thường không đồng nghĩa với việc kết nối điện bên trong chắc chắn tốt. Những lỗi như nứt ẩn, rỗ khí bên trong, tiếp xúc kém hoặc lỗi nằm dưới thân linh kiện có thể không xuất hiện rõ trên ảnh hai chiều.

Vì vậy, nhà máy cần chọn phương pháp kiểm tra theo loại lỗi:

- AI Vision hoặc AOI: phù hợp với các lỗi ngoại quan và lỗi lắp ráp có thể quan sát bằng camera.
- SPI (Solder Paste Inspection): kiểm tra kem hàn sau công đoạn in, trước khi đặt linh kiện.
- AXI (Automated X-ray Inspection): hỗ trợ phát hiện một số lỗi mối hàn nằm khuất hoặc bên trong, chẳng hạn tại các mối hàn BGA.
- ICT hoặc FCT: kiểm tra điện hoặc chức năng của mạch theo phương pháp và điều kiện thử nghiệm tương ứng.

Các phương pháp này không loại trừ lẫn nhau. Một dây chuyền có thể dùng SPI để kiểm tra kem hàn, AOI để kiểm tra ngoại quan sau hàn, AXI cho các vị trí cần quan sát bên trong và ICT/FCT để xác nhận đặc tính điện hoặc chức năng.

Nếu nhà cung cấp cam kết camera AI phát hiện được mọi lỗi mối hàn, doanh nghiệp nên yêu cầu chỉ rõ từng loại lỗi, điều kiện quan sát và kết quả thử nghiệm thực tế trước khi chấp nhận cam kết đó.

AI Vision kiểm tra bảng mạch PCB trước và sau khi lắp linh kiện có gì khác nhau?

PCB trần và PCB đã lắp linh kiện có đặc điểm kiểm tra khác nhau. PCB trần chủ yếu cần đánh giá các đặc điểm trên bề mặt bảng mạch; PCB đã lắp linh kiện cần kiểm tra thêm vị trí, hướng lắp, tình trạng chân linh kiện và các dấu hiệu xuất hiện trong quá trình hàn.

Với PCB trần, cần xác định camera có đủ độ phân giải để nhìn được chi tiết nhỏ nhất hay không. Với PCB đã lắp linh kiện, vấn đề thường khó hơn vì thân linh kiện có thể che mất vùng cần kiểm tra, còn bề mặt kim loại có thể phản sáng làm hình ảnh thay đổi giữa các lần chụp.

Do đó, việc chọn thiết bị không nên chỉ dựa vào số megapixel. Chất lượng ảnh tại đúng vị trí kiểm tra, khả năng lặp lại của hệ thống và kết quả thử trên mẫu lỗi thật mới là những yếu tố quyết định.

AI Vision Deep Learning khác AOI truyền thống như thế nào?

AOI truyền thống thường dựa vào các quy tắc xử lý ảnh, chẳng hạn so sánh với mẫu chuẩn, đo kích thước, kiểm tra vị trí hoặc phân tích độ sáng và hình dạng. Deep Learning sử dụng mô hình được huấn luyện từ dữ liệu để nhận diện những đặc điểm phức tạp hơn.

Trong thực tế, nhà máy không nhất thiết phải chọn một trong hai cho toàn bộ dây chuyền. Các phép đo như khoảng cách, kích thước, vị trí hoặc mã ký hiệu rõ ràng có thể được xử lý bằng quy tắc truyền thống. Deep Learning có thể được dùng cho vùng bề mặt có nhiều biến thiên hoặc các lỗi khó mô tả bằng một ngưỡng cố định.

Cách kết hợp này giúp tránh dùng mô hình AI phức tạp cho những bài toán vốn đã giải quyết tốt bằng phép đo đơn giản.

Khi nào nhà máy điện tử nên dùng AI Vision và khi nào chưa cần?

AI Vision đáng cân nhắc khi công đoạn kiểm tra đang gặp một vấn đề cụ thể: lỗi ngoại quan khó mô tả bằng quy tắc đơn giản, chất lượng kiểm tra không đồng đều giữa các ca hoặc cần lưu ảnh để truy nguyên khi khách hàng phản ánh.

Doanh nghiệp có thể xem xét triển khai khi:

- Sản phẩm có nhiều loại lỗi ngoại quan lặp lại và có thể thu thập mẫu đạt, mẫu lỗi.
- Công đoạn kiểm tra có sản lượng lớn, yêu cầu kết quả nhất quán.
- Nhà máy cần truy xuất ảnh và kết quả kiểm tra theo mã PCB, mã lô hoặc thời gian sản xuất.
- Chi phí do lỗi lọt công đoạn sau hoặc phải kiểm tra lại đủ lớn để đánh giá hiệu quả đầu tư.
- Dây chuyền có thể bố trí camera, ánh sáng và cơ cấu định vị phù hợp.

Ngược lại, chưa nên đầu tư ngay nếu lỗi chưa được định nghĩa rõ, mẫu lỗi quá ít, sản phẩm liên tục thay đổi mà chưa có kế hoạch quản lý dữ liệu hoặc vị trí cần kiểm tra bị che khuất mà chưa có phương án chụp phù hợp.

Nếu lỗi chủ yếu là lỗi điện, lỗi chức năng hoặc lỗi mối hàn nằm bên trong, doanh nghiệp cần xem xét thiết bị kiểm tra chuyên dụng thay vì cố dùng camera để giải quyết mọi vấn đề.

Một nguyên tắc hữu ích là bắt đầu từ loại lỗi gây thiệt hại lớn nhất, không bắt đầu từ danh sách thiết bị mà nhà cung cấp đang bán.

Nhà máy nên chọn camera cố định, AOI hay robot kết hợp AI Vision?

Mỗi phương án giải quyết một nhu cầu khác nhau. Việc chọn thiết bị nên dựa vào cách sản phẩm di chuyển, số vị trí cần kiểm tra và mức độ tự động hóa cần đạt.

Ví dụ, nếu nhà máy chỉ cần xác nhận một đầu nối có được lắp đúng vị trí hay không, camera cố định có thể đã đáp ứng đủ. Nếu cần kiểm tra nhiều mặt của một cụm linh kiện có hình dạng phức tạp, robot có thể hữu ích vì chủ động thay đổi góc quan sát.

Tuy nhiên, robot không tự làm tăng độ chính xác của AI Vision. Nếu camera không đủ độ phân giải hoặc ánh sáng không làm rõ vùng lỗi, việc bổ sung robot chỉ khiến hệ thống phức tạp và tốn kém hơn.

Làm thế nào để đánh giá hệ thống trước khi mua?

Trước khi ký hợp đồng, nhà máy nên yêu cầu nhà cung cấp kiểm tra mẫu sản phẩm thật thay vì chỉ trình diễn trên bộ ảnh đẹp đã chuẩn bị sẵn.

Quy trình đánh giá có thể triển khai theo các bước sau.

Bước 1: Lập danh sách lỗi cần phát hiện. Ghi rõ từng lỗi, vị trí xuất hiện, mức độ nghiêm trọng và tiêu chí đạt/không đạt. Không nên gộp tất cả thành một yêu cầu chung như “kiểm tra chất lượng PCB”.

Bước 2: Chuẩn bị mẫu đạt và mẫu lỗi. Ưu tiên các mẫu đã được kỹ thuật hoặc bộ phận chất lượng xác nhận. Với lỗi hiếm, cần ghi rõ số lượng mẫu hiện có và những hạn chế khi đánh giá.

Bước 3: Thử trong điều kiện gần với dây chuyền thật. Giữ tốc độ, khoảng cách, góc đặt, ánh sáng và cách định vị gần với môi trường sản xuất dự kiến. Nếu chỉ thử trên bàn với sản phẩm đứng yên, kết quả chưa đủ để kết luận hệ thống đáp ứng tốc độ thực tế.

Bước 4: Đo tỷ lệ bỏ sót và báo lỗi sai. Tỷ lệ bỏ sót cho biết trong số mẫu lỗi thực sự, hệ thống đã không phát hiện bao nhiêu. Tỷ lệ báo lỗi sai cho biết trong số mẫu đạt, hệ thống đã đánh dấu nhầm bao nhiêu. Hai chỉ số này cần được báo cáo riêng.

Bước 5: Chạy thử trên dữ liệu chưa dùng để huấn luyện. Nếu mô hình được kiểm tra trên đúng những ảnh đã dùng để phát triển, kết quả có thể tốt hơn khả năng hoạt động thực tế. Cần có bộ mẫu đánh giá độc lập và thống nhất cách xác nhận nhãn đúng.

Bước 6: Kiểm tra khả năng vận hành liên tục. Theo dõi chu kỳ kiểm tra, tỷ lệ lỗi, thời gian dừng, khả năng lưu ảnh và cách hệ thống xử lý khi camera mất kết nối hoặc không thể đưa ra kết luận.

Bước 7: Chốt điều kiện nghiệm thu bằng văn bản. Hợp đồng cần nêu rõ danh sách lỗi, bộ mẫu kiểm thử, cách tính chỉ số, tốc độ yêu cầu và cách xử lý khi hệ thống chưa đạt.

Không nên chỉ chấp nhận một con số độ chính xác tổng thể. Nếu mẫu đạt chiếm gần như toàn bộ dữ liệu, hệ thống có thể đạt tỷ lệ đúng cao dù vẫn bỏ sót nhiều lỗi nghiêm trọng. Nhà máy cần xem kết quả riêng theo từng loại lỗi quan trọng.

Nhà máy SMT xử lý tình trạng thiếu linh kiện và lỗi hàn như thế nào?

Đây là tình huống minh họa giả định, không phải kết quả từ một dự án thực tế.

Một nhà máy EMS lắp ráp PCB cho nhiều khách hàng nhận thấy một số bảng mạch bị thiếu linh kiện nhỏ sau công đoạn SMT. Bộ phận chất lượng cũng mất thời gian xem lại ảnh và xác định nguyên nhân khi có phản ánh về mối hàn.

Thay vì triển khai robot ngay từ đầu, nhóm kỹ thuật chia bài toán thành hai phần.

Phần thứ nhất là phát hiện thiếu linh kiện, sai hướng và lệch vị trí sau khi đặt linh kiện. Nhóm chọn thử nghiệm hệ thống AOI kết hợp AI Vision ở vị trí có thể quan sát rõ các linh kiện cần kiểm tra.

Phần thứ hai là đánh giá mối hàn sau lò reflow. Nhóm lập danh sách các lỗi ngoại quan cần phát hiện và xác định những vị trí cần kiểm tra bổ sung bằng phương pháp khác do mối hàn bị che khuất.

Trong giai đoạn thử nghiệm, nhà máy chuẩn bị mẫu đạt và mẫu lỗi, kiểm tra khả năng phát hiện theo từng nhóm lỗi rồi đo tỷ lệ báo lỗi sai. Các mẫu chưa thể kết luận bằng hình ảnh được chuyển cho bộ phận chất lượng xác minh bằng phương pháp phù hợp.

Sau khi đánh giá, nhà máy chỉ triển khai tự động cho những lỗi đã đạt tiêu chí nghiệm thu. Các lỗi nằm ngoài khả năng quan sát vẫn được xử lý bằng quy trình kiểm tra bổ sung.

Cách làm này giúp giới hạn phạm vi đầu tư ban đầu, đồng thời tránh kỳ vọng rằng một hệ thống camera có thể thay thế mọi phương pháp kiểm tra trong dây chuyền điện tử.

Bài học chính là nên chọn một công đoạn có vấn đề rõ ràng, đo được kết quả và mở rộng sau khi hệ thống chứng minh được hiệu quả.

Nhà máy cần chuẩn bị gì để triển khai AI Vision thuận lợi?

Trước khi yêu cầu báo giá, doanh nghiệp nên chuẩn bị một bộ thông tin kỹ thuật đủ cụ thể để các nhà cung cấp cùng đánh giá trên một cơ sở.

- Thông tin sản phẩm: bản vẽ PCB, kích thước, ảnh các phiên bản sản phẩm và vị trí linh kiện cần kiểm tra.
- Danh sách lỗi: tên lỗi, ảnh mẫu, tiêu chí xác nhận và mức độ ảnh hưởng nếu lỗi lọt qua.
- Điều kiện dây chuyền: tốc độ, thời gian chu kỳ, khoảng cách giữa sản phẩm, độ rung và không gian lắp đặt.
- Điều kiện hình ảnh: độ phản sáng, màu sắc, vùng bị che khuất và khả năng cố định vị trí sản phẩm.
- Yêu cầu dữ liệu: thông tin cần lưu, cách liên kết ảnh với mã PCB hoặc mã lô, thời gian lưu trữ.
- Yêu cầu nghiệm thu: tỷ lệ bỏ sót tối đa, tỷ lệ báo lỗi sai, tốc độ xử lý và cách kiểm tra độc lập.
- Kế hoạch vận hành: người phụ trách, đào tạo, bảo trì, cập nhật sản phẩm và quy trình xử lý khi hệ thống báo bất thường.

Một điểm thường bị bỏ qua là quản lý phiên bản sản phẩm. Khi khách hàng thay đổi layout PCB, nhà máy đổi nhà cung ứng linh kiện hoặc thay đổi điều kiện in kem hàn, hệ thống cần được kiểm tra lại trong phạm vi phù hợp. Không nên mặc định mô hình đã hoạt động tốt với phiên bản cũ sẽ luôn đạt kết quả tương tự với phiên bản mới.

Những câu hỏi thường gặp về AI Vision trong ngành điện tử

• AI Vision có thay thế hoàn toàn nhân viên kiểm tra PCB không?

Không nhất thiết. Hệ thống có thể tự động hóa các bước kiểm tra lặp lại và đánh dấu sản phẩm nghi ngờ, nhưng vẫn cần nhân sự xác nhận trường hợp khó, xử lý ngoại lệ, quản lý dữ liệu và giám sát chất lượng. Mức độ tự động hóa phụ thuộc vào loại lỗi, quy trình và kết quả thử nghiệm.

• AI Vision có kiểm tra được linh kiện kích thước rất nhỏ không?

Có thể, nếu camera, ống kính, khoảng cách chụp và ánh sáng đủ để thể hiện đặc điểm cần kiểm tra. Trước khi mua, nhà máy cần thử trên linh kiện nhỏ nhất và lỗi khó nhìn nhất trong danh sách yêu cầu, không chỉ thử với linh kiện lớn hoặc lỗi rõ ràng.

• Có thể dùng một camera để kiểm tra cả linh kiện và mối hàn không?

Trong một số trường hợp có thể, nhưng không nên mặc định như vậy. Vị trí, góc nhìn, độ phân giải và ánh sáng phù hợp để nhận diện linh kiện có thể không đủ để kiểm tra mối hàn. Nhà cung cấp cần chứng minh kết quả trên từng nhóm lỗi và đề xuất thêm góc chụp hoặc thiết bị khi cần.

• AI Vision có phát hiện được lỗi mối hàn BGA không?

Camera thông thường không thể quan sát trực tiếp toàn bộ các mối hàn nằm dưới thân BGA. Với những lỗi cần nhìn vào vùng khuất hoặc bên trong, nhà máy nên đánh giá phương pháp X-ray phù hợp; các phép kiểm tra điện cũng có thể cần thiết tùy yêu cầu.

• Chi phí triển khai AI Vision trong nhà máy điện tử phụ thuộc vào yếu tố nào?

Chi phí phụ thuộc vào số lượng camera, độ phân giải, hệ thống chiếu sáng, số loại sản phẩm, số nhóm lỗi, phần mềm, yêu cầu lưu dữ liệu và mức độ tích hợp với dây chuyền. Nếu cần robot, cơ cấu gắp hoặc thiết bị kiểm tra bổ sung, tổng đầu tư sẽ tăng. Doanh nghiệp nên yêu cầu báo giá theo từng hạng mục để so sánh đúng phạm vi.

• Nên bắt đầu từ công đoạn nào để giảm rủi ro đầu tư?

Nên chọn công đoạn có lỗi xuất hiện đủ thường xuyên, ảnh hưởng rõ đến chi phí hoặc chất lượng, đồng thời có thể tạo điều kiện chụp ảnh ổn định. Sau khi thử nghiệm và xác nhận được hiệu quả trên một nhóm lỗi cụ thể, nhà máy mới nên mở rộng sang các công đoạn khác.

Kết luận: Làm sao để chọn đúng giải pháp AI Vision cho nhà máy điện tử?

AI Vision có thể hỗ trợ kiểm tra linh kiện, mối hàn và PCB tự động, nhưng hiệu quả phụ thuộc vào việc chọn đúng công nghệ cho đúng loại lỗi. Camera cố định phù hợp với vùng kiểm tra ổn định; AOI chuyên dụng phù hợp với nhiều bài toán kiểm tra ngoại quan PCB; Deep Learning hữu ích khi hình ảnh có biến thiên phức tạp; còn robot chỉ nên bổ sung khi cần thay đổi vị trí hoặc góc quan sát.

Trước khi đầu tư, nhà máy nên xác định danh sách lỗi, chuẩn bị mẫu đạt và mẫu lỗi, chạy thử trong điều kiện gần với sản xuất thật và thống nhất tiêu chí nghiệm thu bằng số liệu. Cách làm này giúp doanh nghiệp đánh giá được hệ thống có giải quyết đúng vấn đề chất lượng hay không, thay vì chỉ dựa vào thông số thiết bị hoặc lời cam kết của nhà cung cấp.