Extraction socket he的問題,透過圖書和論文來找解法和答案更準確安心。 我們找到下列推薦必買和特價產品懶人包

元智大學 機械工程學系 謝建興所指導 安艾尼的 AN AUTONOMOUS SYSTEM DEVELOPED WITH INTEGRATION OF SUPERVISED AND UNSUPERVISED LEARNING FOR DETECTION OF DEFECTS IN PRINTED CIRCUIT BOARD (2021),提出Extraction socket he關鍵因素是什麼,來自於深度學習、印刷電路板、異常檢測、無監督 學習、學生-教師特徵金字塔匹配、卷積神經網絡、YOLO-v5。

而第二篇論文國立雲林科技大學 電機工程系 吳先晃所指導 周育嘉的 自動化探針痕檢測及量測系統 (2021),提出因為有 自動化光學檢測、探針痕檢測及量測、機器視覺、人工智慧的重點而找出了 Extraction socket he的解答。

接下來讓我們看這些論文和書籍都說些什麼吧:

除了Extraction socket he,大家也想知道這些:

AN AUTONOMOUS SYSTEM DEVELOPED WITH INTEGRATION OF SUPERVISED AND UNSUPERVISED LEARNING FOR DETECTION OF DEFECTS IN PRINTED CIRCUIT BOARD

為了解決Extraction socket he的問題,作者安艾尼 這樣論述:

背景:PCB 在日常電子產品中幾乎無處不在,不僅用於商業用途,也可用於國防和太空探索等敏感應用。在生產過程中,應對這些 PCB 進行檢查和質量驗證,以發現任何問題。大多數電子公司都專注於其商品的質量。一個電子設備(如 PCB)的製造或質量檢查過程中的微小誤差可能導致災難性的結果。已經使用了許多不同的方法和方法過去在質量檢查過程中發現PCB中的缺陷。結果,製造業務正在經歷一場巨大的變革,對象檢測方法如 YOLO-v5 成為包括電子行業在內的眾多行業的遊戲規則改變者。方法:我們設計了一個 2 級自主 PCB 缺陷檢測系統。最初,我們提供了一種新的無監督學習方法來檢測印刷電路中的缺陷使用學生-教師

特徵金字塔匹配作為預訓練圖像的板分類模型來學習沒有異常的圖像的分佈。這種無人監督學習方法以 3000 張好的圖像開始。第二階段,我們使用了YOLO-V5,這是最先進的算法,我們使用了 23,000 個有缺陷的 PCB 圖像。據我們所知,監督學習需要更多的數據,並且很難收集數據和檢測使用較少數據的缺陷。首先,知識被提取到一個學生網絡中與教師網絡相同的架構。這一一步轉移保留了盡可能多的關鍵線索盡可能。系統還添加了多尺度特徵匹配技術。一種混合來自特徵金字塔的多層次知識通過更好的監督流動,稱為分層特徵對齊,允許它被學生網絡接收,允許用於識別不同大小的異常。評分函數表示發生的異常。結果:正如我們開始使用

無監督學習方法一樣,我們已經部署了無監督方法的兩種模型。在第一個模型中,我們使用了 SGD學習率為 0.04 的優化器,對於無監督學習中的第二個模型,我們有使用學習率為 0.001 的 Adam 優化器。我們已經達到了平均準確度學習率為 0.04 的 SGD 優化器和 Adam 優化器分別為 94.63% 和 97.43%學習率為 0.001。在第一階段之後,我們進入第二階段,一個有監督的已經測試了 3 個模型的方法:小型、中型和大型。小的平均精度,中、大分別為 97.52%、99.16% 和 99.74%。結論:我們對無監督的 STPM 幾乎達到了 97.43% 的準確率學習和監督學習的 9

9.52%。將兩種算法結合在一起將它們作為兩階段自主 PCB 缺陷系統實施 我們開發了一個完全實施已部署在質量檢測環境中的自主系統。仍然,必須實施和執行持續集成和持續部署,這將引導我們進入一個連續形式的完全自治系統。未來,我們希望開發一種可以在行業中實施的連續形式的完全自主的方法在不遠的將來。

自動化探針痕檢測及量測系統

為了解決Extraction socket he的問題,作者周育嘉 這樣論述:

台灣在半導體產業在國際上具有相當重要的地位,多家半導體廠家擴張規模,積極投入廠房的擴建與生產線的增設。造成台灣人力缺口的擴大,人力缺口由上至下游成金字塔型,測試與封裝產業面臨極大挑戰。在產品完成後進入封裝階段,會進行Chip Probe的測試,將裸晶圓直接使用電測機進行電性測試,而輸入訊號由探針卡為介面,將探針與凸塊下壓接觸進行訊號傳遞,並於凸塊留下針痕。但在接觸時,可能因探針卡、電測機機械、產品製程等問題,導致產品或探針損壞,進而影響產品良率及需要花費額外修復成本。 現今許多測試廠採用人工操作機台拍攝的方式進行品檢,藉由量測下壓後之針痕尺寸,計算該凸塊是否出現問題,但此方法除只能檢測局部

,且產線人員無一定標準,無法準確量測。本文將對於機台拍攝圖像資料集,提出自動化量測及檢測系統,該系統使用AI物件偵測定位,自動辨識探針種類並自動選取演算法,且利用產品特性,提出自適應之針痕量測演算法以解決機差問題。經由量測後,計算出各項指標,以此判讀該凸塊(Bump)與針痕(Probemark)是否符合規格。除演算法外,本文亦提出完整系統架構及設計操作者流程,以符合實際生產場域的需求。 本文所提架構已可實際部屬於生產線,除大幅減少作業員之工作負擔,取代人力抽檢環節,檢測張數從單張變為全圖抽檢,單顆凸塊檢測時間從1.66s大幅下降至5.27ms,且長度誤差僅於4um內,符合產線容忍誤差,並實際

部屬於產線上,實證可檢測出異常的凸塊,其檢出率可達87%。本文系統亦可自動產出判讀結果供現場人員複驗及統計,且設計網頁查詢站供人員進行歷史紀錄及結果查詢,達到量測自動化、符合現場工作流程之目的。