한국어 
규칙 기반 자동 광학 검사(AOI)가 최신 고밀도 PCBA 라인에서 실패합니다. 01005 구성 요소나 조밀하게 포장된 BGA 보드를 검사할 때는 정적 임계값에 의존할 수 없습니다. AI 기반 결함 감지는 모든 심각한 표면 실장 기술(SMT) 작업의 기본 요구 사항으로 작동합니다. 높은 허위 호출 비율과 긴 수동 검토 시간으로 인해 회선 속도가 저하됩니다. 이는 수율 마진을 파괴하고 작업자를 지치게 하여 2차 검사 오류로 직접 이어집니다.
생산 관리자는 공장 현장에서 끊임없는 싸움에 직면합니다. 기존의 결정론적 알고리즘은 밀도가 높은 보드에서 허용 가능한 프로세스 변형과 실제 결함을 구별하는 데 어려움을 겪습니다. 실크스크린 인쇄나 무해한 플럭스 잔류물의 약간의 변화로 인해 종종 기계가 정지되어 작업자가 완벽하게 양호한 보드를 확인해야 합니다.
우리는 두 주요 업체가 이러한 병목 현상을 해결하기 위해 3D AOI 하드웨어와 AI 소프트웨어를 어떻게 엔지니어링하는지 평가하고 있습니다. 검사 헤드의 정확한 메커니즘, 기계 학습 프레임워크, 활성 공장 현장에서 수행되는 방식을 살펴보겠습니다. 이 분류는 인라인 성능, 결함 탈출율 및 실제 프로그래밍 효율성에 초점을 맞춘 마케팅 주장을 제거합니다.
AI 프로그래밍 효율성: NPI(신제품 소개) 설정 시간 및 자동화된 프로그램 생성과 관련된 SAKI의 독점 AI 엔진과 Viscom의 vAI ProVision 프레임워크를 대조합니다.
거짓 긍정 감소 및 스마트 검토: 각 시스템이 허용 가능한 허용 오차와 심각한 결함을 구별하는 방법과 AI 지원 검토 스테이션이 수동 확인 시간을 최소화하는 방법을 평가하기 위한 중요한 지표를 강조합니다.
심층 3D 검사: 두 브랜드가 고급 이미징 기술과 지능형 알고리즘을 사용하여 숨겨진 결함과 높이가 높은 부품 그림자를 해결하는 방법을 요약합니다.
통합 및 확장성: 스마트 공장 규정 준수, 폐쇄 루프 MES 통합 및 지속적인 기계 학습 개선을 위한 두 플랫폼의 준비 상태를 간략하게 설명합니다.
목차
AOI 성능은 카메라 해상도나 최대 검사 속도뿐만 아니라 실제 SMT 라인에서 측정해야 합니다. 공장 진동, 조명 변화, 온도 변화는 이미지 품질과 검사 정확도에 영향을 미칠 수 있습니다. 신뢰할 수 있는 AOI 시스템은 실제 생산 조건에서 안정적인 성능을 유지해야 합니다.
AI는 AOI 시스템이 솔더 조인트 및 부품 배치의 일반적인 변화를 인식하여 불필요한 잘못된 호출을 줄이는 데 도움이 됩니다. 최신 시스템은 결함 검토 중에 운영자 피드백을 통해 학습할 수도 있습니다. 이는 수동 검사 시간을 줄이고 작업자 작업량을 낮추며 시간이 지남에 따라 검사 효율성을 향상시킵니다.
SAKI는 정밀한 3D 검사를 위해 고해상도 카메라와 다중 주파수 위상 변이 투영을 결합합니다. 다방향 조명은 높은 구성 요소의 그림자를 줄이는 데 도움이 되며 고밀도 PCBA의 숨겨진 영역을 포함하여 구성 요소 및 납땜 접합의 Z축 측정을 향상시킵니다.
SAKI는 AI를 사용하여 CAD 및 Gerber 데이터를 가져오고, 구성 요소 라이브러리를 구축하고, 초기 검사 설정을 자동으로 생성합니다. 또한 AI는 3D 납땜 접합 데이터를 분석하여 리드 들뜸, 브리징, 납땜 부족 등의 결함을 감지하여 수동 프로그래밍 및 2D 시각적 검사의 필요성을 줄입니다.
SAKI는 안정적인 검사와 낮은 오콜율이 중요한 대량 생산에 매우 적합합니다. NPI 프로세스는 CAD 데이터, 구성요소 라이브러리, AI 생성 매개변수, 실제 보드를 사용한 자동 튜닝을 결합합니다. 그러나 운영자에게는 추가 교육이 필요할 수 있으며 맞춤형 구성 요소에는 AI 모델이 안정적으로 되기 전에 더 많은 검사 데이터가 필요할 수 있습니다.
표준 2026 의 센서 헤드 기술은 Viscom AOI 기계 광학 데이터 수집에 대한 고도로 전문화된 접근 방식을 나타냅니다. Viscom은 중앙 고해상도 직교 센서를 둘러싼 다중 각도 카메라 시스템에 크게 의존합니다. 이 어레이는 고급 프린지 프로젝션 모듈과 함께 작동합니다. 프로젝터는 보드 전체에 정확한 조명 패턴을 투사하고 각도 카메라는 구성 요소 위에서 이러한 패턴의 변형을 캡처합니다.
Viscom은 숨겨진 결함을 식별하기 위해 특별히 이 하드웨어 구성을 설계합니다. 각진 카메라는 특정 구성 요소의 가장자리 아래를 들여다보고 하향식 보기에서 가려져 있는 J-리드 패키지의 필렛을 검사합니다. 심층 3D 검사는 전적으로 이러한 다중 관점 데이터에 의존합니다. 이 시스템은 PCBA의 매우 정확한 3D 모델을 재구성하여 소프트웨어가 솔더 볼륨과 부품 동일 평면성을 매우 정밀하게 측정할 수 있도록 해줍니다.
Viscom의 vAI ProVision은 AI를 사용하여 CAD 데이터를 분석하고 구성 요소 유형 및 IPC 표준을 기반으로 검사 설정을 자동으로 생성합니다. 검사 영역 그리기 및 높이 제한 설정과 같은 수동 작업을 줄여 엔지니어가 검사 프로그램을 더 빠르게 생성하고 더 복잡한 구성 요소에 집중할 수 있도록 도와줍니다.
Viscom은 자동차 및 항공우주 제조와 같은 다품종, 고신뢰성 생산에 매우 적합합니다. vAI ProVision 소프트웨어는 더 빠른 NPI와 빈번한 제품 변경을 지원하는 동시에 다각도 검사는 엄격한 검사 요구 사항을 충족하는 데 도움이 됩니다. 그러나 보다 복잡한 검사 작업에는 추가 설정 및 시스템 통합이 필요할 수 있습니다.
하드웨어와 소프트웨어의 차이점을 이해하기 위해 두 시스템이 검사 프로세스에 어떻게 접근하는지 살펴볼 수 있습니다.
시스템 특징 | 사키 아키텍처 | 비스콤 아키텍처 |
|---|---|---|
기본 센서 설계 | 위상 변이가 있는 고해상도 직교 | 다각도 카메라 어레이와 직교 결합 |
섀도우 완화 전략 | 다방향 구조광 프로젝션 | 물리적 각도 카메라 검사 및 프린지 프로젝션 |
NPI 소프트웨어 엔진 | 중앙 집중식 AI 자동 조정 | vAI ProVision 분산형 모델 |
이상적인 생산 환경 | 대용량, 저혼합 연속 실행 | 하이믹스, 고신뢰성(자동차/항공우주) |
vAI ProVision의 기능을 극대화하려면 Viscom의 독점 데이터 관리 도구와의 긴밀한 통합이 필요한 경우가 많습니다. 다중 각도 센서 헤드의 하드웨어 설치 공간도 경쟁 시스템보다 클 수 있으므로 기존 SMT 라인에 신중하게 통합해야 합니다. 모든 각도 카메라의 데이터를 활용하는 복잡한 AI 평가는 처리 오버헤드를 동시에 발생시켜 극도로 밀도가 높은 보드의 사이클 시간에 약간의 영향을 미칩니다.
SAKI와 Viscom AOI 머신을 비교하려면 각각의 신경망이 허용 가능한 PCB 변형을 필터링하는 방법을 분석해야 합니다. 실크스크린 이동, 플럭스 잔류물 및 사소한 기판 변색은 레거시 시스템에서 잘못된 긍정을 유발합니다. SAKI는 2D 색상 변형보다 3D 지형 데이터를 우선시하여 이러한 시각적 이상을 필터링하는 고도로 중앙 집중화된 AI 모델을 활용합니다. Viscom의 신경망은 다중 각도 이미지 데이터를 활용하여 이상 현상을 상호 참조함으로써 플럭스 잔류물로 인한 그림자가 솔더 필렛 누락으로 잘못 해석되지 않도록 보장합니다.
AI 신뢰 임계값에 대한 세부적인 제어는 두 플랫폼 간에 다릅니다. Viscom은 엔지니어에게 vAI ProVision 모델의 엄격성을 조정할 수 있는 세부 슬라이더를 제공하여 즉석에서 빠르게 조정할 수 있습니다. SAKI의 시스템은 지속적인 학습 루프를 기반으로 이러한 임계값을 자동화하므로 수동 개입이 덜 필요하지만 즉각적인 수동 재정의 기능은 약간 덜 제공됩니다. Viscom의 물리적 카메라 각도는 심각한 그림자가 있는 매우 복잡한 PCBA 형상을 검사하는 데 우위를 제공하지만 두 시스템 모두 숨겨진 결함에 대한 심층 3D 검사를 효과적으로 처리합니다.
SAKI와 Viscom은 모두 AI 지원 검토 시스템을 사용하여 수동 검사 시간을 줄입니다. SAKI는 선명한 3D 결함 및 참조 이미지를 제공하는 반면 Viscom은 다중 카메라 뷰와 보다 자세한 검사 데이터를 제공합니다. 두 시스템 모두 운영자 피드백을 통해 학습하여 시간이 지남에 따라 반복되는 잘못된 호출을 줄일 수 있습니다.
두 시스템 모두 오프라인 프로그래밍을 위해 CAD 및 Gerber 데이터를 사용하지만 작업 흐름이 다릅니다. SAKI는 안정적인 검사에 중점을 둔 구조화된 AI 튜닝 프로세스를 사용하는 반면 Viscom의 vAI ProVision은 사전 훈련된 AI 모델을 사용하여 NPI 중에 프로그램을 더 빠르게 생성하고 수동 설정을 줄입니다.
SAKI와 Viscom은 MES 및 기타 SMT 장비와의 통합을 위해 IPC-CFX를 지원합니다. 두 시스템 모두 AOI 데이터를 SPI 및 Pick-and-Place 기계와 공유하여 프로세스 변경을 식별하고 자동 수정을 지원할 수 있습니다. 이는 결함을 줄이고 생산 관리를 개선하는 데 도움이 됩니다.
SAKI와 Viscom은 독특한 엔지니어링 철학을 바탕으로 전자제품 제조의 과제에 접근합니다. SAKI는 강력한 광학 하드웨어 안정성과 고도로 중앙 집중화된 자동화된 AI 튜닝을 우선시하여 인라인 일관성을 극대화합니다. Viscom은 다중 각도 센서 획득과 vAI ProVision을 통한 신속한 소프트웨어 배포에 중점을 두어 혼합도가 높고 복잡도가 높은 환경을 지배합니다.
장기 생산 운영, 기존 SAKI 차량 호환성 및 환경 변수에 대한 절대적인 저항을 우선시하는 시설은 SAKI를 최종 후보로 선정해야 합니다. 신속한 NPI 전환, 숨겨진 결함에 대한 엄격한 3D 규정 준수, AI 매개변수에 대한 세부적인 제어를 요구하는 환경에서는 Viscom의 아키텍처가 매우 효과적이라는 것을 알게 될 것입니다.
AOI 평가를 진행하려면 다음 단계를 실행하세요.
특히 알려진 역사적 결함 탈출이 있는 보드를 포함하여 가장 복잡한 PCBA의 테스트 배치를 컴파일합니다.
실제 열 및 진동 조건에서 실제 호출 오류 감소를 측정하기 위해 활성 SMT 층에서 두 공급업체와 함께 인라인 시험을 예약하세요.
현재 기계 운영자와 함께 소프트웨어 인터페이스를 평가하여 학습 곡선을 측정하고 스테이션 인체 공학을 검토하십시오.
폐루프 데이터 로깅이 올바르게 작동하는지 확인하려면 기존 제조 실행 시스템(MES)과의 IPC-CFX 호환성을 확인하세요.
A: Viscom은 신경망을 3D 프린지 투영 데이터와 통합합니다. AI는 부품이나 납땜 접합부의 다각도 3D 지형을 분석합니다. 기계 학습 모델은 엄격한 기하학적 규칙에 의존하는 대신 허용되는 솔더 필렛 및 부품 배치의 자연스러운 변화를 이해합니다. 이를 통해 실제 심각한 결함과 허용 가능한 프로세스 변동을 구별하여 허위 경보와 수동 검토 시간을 대폭 줄일 수 있습니다.
A: Viscom은 사전 훈련된 AI 모델을 가져온 CAD 데이터에 적극적으로 적용하여 자동으로 검사 매개변수를 생성하는 vAI ProVision 소프트웨어 덕분에 일반적으로 더 빠른 NPI 처리 시간을 제공합니다. SAKI는 자동 프로그래밍 도구를 제공하지만 워크플로에는 처음 몇 개의 물리적 보드에서 보다 체계적인 AI 기반 조정 단계가 필요하며 즉각적인 설정 속도보다 장기적인 안정성을 우선시합니다.
답: 그렇습니다. 두 플랫폼 모두 스마트 팩토리 생태계를 위한 완벽한 장비를 갖추고 있습니다. IPC-CFX 및 SECS/GEM을 포함한 업계 표준 통신 프로토콜을 지원합니다. 이를 통해 실시간 데이터 로깅, 추적성 및 다른 SMT 라인 장비와의 폐쇄 루프 피드백을 위해 기존 제조 실행 시스템(MES)과 원활하게 통합할 수 있습니다.
A: 두 기계 모두 고급 이미징을 사용하여 보드 지형을 매핑합니다. SAKI는 다방향 구조의 조명 프로젝션을 활용하여 높은 구성 요소로 인한 그림자를 제거합니다. Viscom은 구성 요소 가장자리 아래를 물리적으로 들여다보기 위해 프린지 투영과 결합된 다중 각도 카메라 시스템을 사용합니다. 그러면 지능형 알고리즘이 이 데이터를 정밀한 3D 모델로 재구성하여 가려진 솔더 조인트를 검사합니다.
A: 하드웨어 유지 관리에는 Z축 정확성을 보장하기 위한 일상적인 광학 보정, 센서 렌즈 청소, 프로젝터 정렬 확인이 포함됩니다. 소프트웨어 유지 관리도 마찬가지로 중요합니다. 엔지니어는 구성 요소 공급업체나 제작업체가 변경될 때 시스템에 새로운 데이터를 공급하여 중앙 집중식 구성 요소 라이브러리를 지속적으로 업데이트하고 AI 모델 드리프트를 관리해야 합니다.
A: AI 모델은 지속적인 학습 기능과 스마트 검토 피드백 루프를 통해 적응합니다. 운영자가 새 구성 요소에 대한 이상 현상을 거짓 긍정으로 분류하면 시스템은 내부 가중치를 업데이트합니다. 엔지니어는 활성 생산을 중단하지 않고 AI CAD 데이터와 새 부품의 샘플 이미지를 제공하여 중앙 집중식 구성 요소 라이브러리를 오프라인으로 업데이트합니다.
