Eğer bir SMT hattı işletiyorsanız, gerçeği zaten biliyorsunuzdur: kusurlar AOI'de başlamaz. Genellikle çok daha erken başlarlar - genellikle lehim pastası baskısı. Küçük bir leke, tıkanmış bir şablon açıklığı veya macun hacmindeki bir kayma kartopu gibi büyüyerek mezar taşlarına, köprülere ve çirkin bir yeniden çalışmaya dönüşebilir.
İşte bu yüzden “hata tespiti için derin öğrenme” sadece moda bir konu değil. Gerçek hayat karıştığında (aydınlatma değiştiğinde, panolar değiştiğinde, operatörler değiştiğinde ve “altın kurulum” altın olmaktan çıktığında) hattınızı sabit tutmanın pratik bir yoludur.
Açık Meraif’in tarafında, siteniz işi anahtar teslim SMT hattı desteği olarak çerçeveliyor - danışmanlık, hat tasarımı, entegrasyon, eğitim, kurulum, kalibrasyon, devreye alma. Bu önemli çünkü vizyon bir eklenti aygıtı değil. Tüm süreç döngüsünün bir parçasıdır.
SMT lehim pastası yazıcısı ve şablon baskı tutarlılığı
SMT'de baskı, kapı bekçisidir. Sizin Lehim Pastası Yazıcısı kategorisi bunu açıklıyor: doğru, tekrarlanabilir şablon baskısı yardımcı olur macun ses kontrolü ve asansörler ilk geçiş verimi.
Meraif lehim pastası yazıcı bölümü ise baskı tutarlılığı için “istikrarlı baskı” + “süreç kontrolü” üzerine eğiliyor.
Tartışma şu: Birleştirdiğinizde süreç kontrolü ile kusurları gerçekten anlayan vizyon, Yangınla mücadeleyi hattın sonunda bırakırsınız. Başlangıca yakın kök nedenleri düzeltmeye başlarsınız.
Gerçek SMT konuşmasında, kontrol etmeye çalışıyorsunuz:
- macun depozit hacmi ve şekli (“iyi görünüyor” değil)
- şablon silme zamanlaması (çok geç = leke şehri)
- silecek basıncı kayması (merhaba rastgele atlamalar)
- tahta desteği / çarpılma etkileri (pedler yalan söylemez)
Derin öğrenme yardımcı olur çünkü sonsuza kadar elle kodlamak istemeyeceğiniz kalıpları tespit edebilir.
Derin öğrenme ile hata tespiti ve kural tabanlı yapay görme
Derin öğrenme, karmaşık kusurlarda kural tabanlı yapay görmeyi yeniyor
Kural tabanlı vizyon işe yarar... ta ki işe yaramayana kadar. Anladığınız an:
- parlak pedler vs mat pedler
- farklı lehim maskesi renkleri
- küçük adımlı parçalar
- Birisi lambanın yerini değiştirdiği için eşit olmayan aydınlatma (evet, olur)
...eşikleriniz garip davranmaya başlar.
Araştırma anketleri aynı temayı tekrarlamaya devam ediyor: derin modeller özellik hiyerarşilerini doğrudan öğreniyor, bu nedenle birçok endüstriyel ortamda elle oluşturulmuş kurallardan daha karmaşık desenlerin üstesinden geliyorlar.
Hızlı bir SMT örneği:
- Bir kural sistemi “macun sürme” ve “macun yayma ”yı aynı blob olarak değerlendirebilir.
- Derin bir model, bir blobun yeniden akıştan sonra hala iyi salındığını, diğerinin ise ince hatvede “köprü riski” diye bağırdığını öğrenebilir.
Sihir değil. Sadece daha iyi kalıp öğrenme.
Endüstriyel görsel anomali tespiti ve açık set kusur tespiti
Endüstriyel hata tespitinde veri kıtlığı ve etiket maliyeti
SMT hataları veriler için can sıkıcıdır. Neden mi? Çünkü en kötü hatalarınız nadir (iyi haber) ve etiketlemesi pahalı (kötü haber). Yani sizin veri kümeniz istiyorum neredeyse hiç yok.
Bu nedenle son anketler gerçek dünya kısıtlamalarını vurgulamaktadır: kusurlar seyrektir, etiketleme acı vericidir ve üretim hızlı değişir.
Bir fabrikada, yalnızca dünün kusur kütüphanesini bilen bir model istemezsiniz. “Bu hatalı görünüyor” dediğinde elini kaldırabilecek bir şey istersiniz.”
Üretimde açık set hata tespiti ve anormallik tespiti
İşte burası açık set kusur tespiti ve endüstriyel görsel anomali tespiti ortaya çık.
2025 yılında yapılan bir anket, fabrikaların yeni kusur türleriyle karşılaşmaya devam etmesi nedeniyle kapalı set (bilinen kusur sınıfları) yöntemlerinden açık set yöntemlerine geçildiğini vurgulamaktadır.
Bir başka 2025 araştırması, büyük bir anormallik tespit makalesi setini gözden geçirir ve yöntemleri denetim seviyesine göre düzenler (tamamen denetimli → denetimsiz), bu da üretim gerçekliğine uyar: genellikle “normal” verilere sahip olursunuz, mükemmel kusur etiketlerine değil.
SMT baskı için, açık set düşüncesi şöyle görünür:
- “Bu macun birikintisi normal şekil/hacim davranışının dışında”
- “Bu ped deseni bu şablon revizyonu için yanlış görünüyor”
- “Bu tahta kaplaması yansımalar yapıyor, ancak Bu yansıma hala anormal görünüyor”
“A/B/C kusurunu sınıflandırmak” yerine “tuhaf şeyleri erken yakalamak” daha önemlidir.”
Veri dengesizliği için GAN tabanlı veri artırımı
Sentetik anomaliler ve dengesiz kusur sınıfları
SMT'de bazı kusurlar kırk yılda bir ortaya çıkar. Eğer yeterince numune beklerseniz, sonsuza kadar beklersiniz.
Anketler ve makaleler şunlara işaret etmektedir veri kıtlığı ve tartışmak sentetik anomali üretimi dengesizliği azaltmanın bir yolu olarak.
Müşterileriniz için pratik çeviri:
- Yüksek karışımlı hatlara satış yapıyorsanız, sadece kusurları toplamak için üretimi duraklatamazlar.
- Sentetik veriler ve hedefli güçlendirme, modellerin nadir arıza modlarını daha erken “görmesine” yardımcı olabilir.
Hayır, gerçek üretim verilerinin yerini tutmaz. Ancak modelin ilk günden kör davranmamasına yardımcı olabilir.
Üretim aydınlatmasında, malzemelerinde ve hat değişikliklerinde alan kayması
Gerçek SMT hatlarında alan kayması ve genelleme
Alan kayması sessiz katildir. Aynı pano tasarımı, farklı gün, farklı sonuç:
- nem macun davranışını değiştirir
- şablon biraz yıpranmış
- kamera pozlama kaymaları
- operatör bir ışık çubuğu açısını değiştirir
Anketler, modellerin laboratuvardan fabrikaya geçerken zorlanmasının en büyük nedeni olarak alan kaymasını gösteriyor.
Bu konuda ne yaparsınız (gerçek atölye hareketleri):
- aydınlatma ve kamera bağlantılarını kilitleyin (“hızlı ayarlama” alışkanlığını bırakın)
- kalibrasyon kontrollerini sadece ağrı hissettiğinizde değil, belirli bir programa göre yapın
- Sürüm kontrolünü sürdürün: şablon revizyonu, yapıştırma lotu, kart bitişi, program revizyonu
- sürüklenme ortaya çıktığında yeniden eğitin veya ince ayar yapın (kendi kendine düzelecekmiş gibi davranmayın)
Bazen hat değişir ve model de değişmelidir. Çok basit.
SMT denetiminde uç dağıtımı ve verim kısıtlamaları
Hat üzerinde model sıkıştırma ve gerçek zamanlı denetim
SMT modelinizin süslü olmasını umursamaz. Hat takt süresini önemser.
Anomali tespiti ve yeni model aileleri üzerine yapılan anketler bu gerilimi tartışmaktadır: daha büyük modeller birkaç atış/sıfır atış davranışına yardımcı olabilir, ancak çıkarımı yavaşlatabilirler, bu nedenle insanlar hafif stratejileri araştırırlar.
SMT terimleriyle:
- Konveyörlere ayak uyduran bir algılamaya ihtiyacınız var, “daha sonra toplu rapor” değil”
- İstikrarlı kararlar istiyorsunuz, operatörleri spamlayan titrek yanlış alarmlar değil
Yani sistemi hattı ayarladığınız gibi ayarlarsınız: doğruluk ile verimi dengeleyin.
Anahtar argümanlar tablosu (SMT'ye hazır)
| Argüman başlığı (anahtar kelime) | SMT'de ne anlama geliyor | Pratik hareket (kabartmasız) | Kanıt kaynağı |
|---|---|---|---|
| Derin öğrenme ve kural tabanlı yapay görme | Kurallar yansımalar altında kırılır, renk değişikliklerini maskeler, ince aralıklı macun şekilleri | Karmaşık görsel modeller için derin modeller kullanın; basit git/gitme için kural kontrollerini sürdürün | Kusur tespiti + temel modelleri üzerine anketler |
| Veri kıtlığı ve etiket maliyeti | “Kötü örnekler” nadirdir ve etiketleme yavaştır | Normal veri anomali tespiti ile başlayın; zaman içinde etiket ekleyin | Anomali tespit anketi + gerçek dünya kusur anketi |
| Açık set kusur tespiti | Yeni bir ürün tanıtımından sonra yeni kusur türleri ortaya çıkıyor | Bilinmeyenleri erken işaretlemek için açık set / anomali yöntemlerini kullanın | Açık set araştırması (kapalı set → açık set eğilimi) |
| GAN tabanlı veri büyütme | Bazı kusurlar neredeyse hiç ortaya çıkmaz, ancak yine de verimi öldürür | Dengesizliği azaltmak için sentetik anomaliler + hedefe yönelik büyütme kullanın | Temel modeli kusur tespit araştırması + anomali araştırması |
| Alan kaydırma | Aynı program, farklı gün = farklı sonuçlar | Aydınlatmayı kilitleyin, süreç değişkenlerini izleyin, sapma olduğunda yeniden eğitin | Açık set etüdü + Transformatörler/temel modeli VAD etüdü |
| Uç dağıtım | Hıza ihtiyacınız var, yavaş bir “laboratuvar modeline” değil” | Dağıtılabilir modelleri tercih edin, boru hattını optimize edin, yanlış arama gürültüsünü azaltın | Temel modeli kusur tespit anketi karmaşıklığa karşı hızı tartışıyor |
| Lehim pastası baskı tutarlılığı | Baskı tekrarlanabilirliği FPY'yi yukarı yönde yönlendirir | Yazıcı proses kontrolünü SPI/AOI geri bildirim döngüsü ile birleştirin | Meraif sitesi: tekrarlanabilir şablon baskısı, macun hacmi kontrolü, FPY |
Meraif ile anahtar teslim SMT hattı entegrasyonu (satıcı gibi görünmeden nasıl satılır)
Eğer satıyorsanız Anahtar teslim SMT hattı çözümleri, En iyi atış basittir:
“Biz sadece makine göndermiyoruz. Hattınızın düzgün çalışmasına yardımcı oluyoruz.”
Ana sayfanız zaten Meraif'i danışmanlık ve yerleşim planından ekipman entegrasyonu ve eğitime kadar tam kapsamlı bir sağlayıcı olarak konumlandırıyor.
Lehim Pastası Yazıcı kategoriniz ayrıca yazıcıları daha geniş bir anahtar teslimi hat bağlamında çerçeveler (al ve yerleştir, yeniden akış, AOI/SPI).
Böylece ticari hikaye doğal bir hal alıyor:
- Bir müşteri bir ürün satın alırsa lehim pastası yazıcısı, Ayrıca yukarı akış/aşağı akış uyumuna da ihtiyaçları vardır: PCB taşıma, baskı, SPI/AOI, yerleştirme, yeniden akış, temizlik, yedek parçalar.
- Toptancılar ve OEM/ODM alıcıları için sadece teknik özellikler değil, tutarlılık, ölçeklendirme ve hizmet ritmi de önemlidir.
- Derin öğrenme ile hata tespiti, özellikle müşteriler yüksek karışım, hızlı değişim ve sıkı FPY hedefleri ile çalıştıklarında, bu “istikrarlı hat” vaadinin bir parçasıdır.
Ve evet, açıkça söyleyebilirsin: daha az yeniden çalışma, daha az kaçış, daha sorunsuz hızlanma. Dramatik iddialar yok, sadece üretim yöneticilerinin gerçekte ne istedikleri.
Kapanış çekimi
Derin öğrenme ile hata tespiti, en iyi şekilde bir süreç kontrol aracı, bir demo değil. Sağlam bir baskı temeli ile eşleştirin (şablon baskı stabilitesi, macun kontrolü), ardından denetim sinyallerini hatta geri bağlayın.
Bu şekilde yaparsanız sadece “kusurları tespit etmekle” kalmazsınız.”
Birçoğunu önlüyorsun. Bütün mesele de bu zaten.
