中文 英语

恶意达到ADC

自动缺陷分类的不同方式可以使制造操作受益。

人气

ADC代表缺陷自动分类。它是一种基于图像和元数据(如位置、ROI和与缺陷相关的其他信息)对缺陷进行分类的软件。ADC并不是一个无法理解的神秘黑盒子。相反,ADC与人类操作员一样对缺陷进行分类,首先由专家进行培训。然后,就像人类分类专家一样,该系统从检查样本开始,提取并“虚拟”记忆将不同类型的缺陷划分为类的视觉特征,并在运行时应用这些知识。从理论上讲,如果您可以训练运算符来分类您的数据,那么您就可以合理地假设ADC也可以这样做。

为什么ADC?

我经常会遇到这样的问题:“是什么让ADC优于手工分类?”事实上,ADC实现有许多不同的方式可以使制造操作受益,包括:

  • 速度:由适度供电的硬件支持,ADC分类器可以处理每秒数十个样本,而最佳人类最大化每秒〜1样品。
  • 精度训练有素的ADC解决方案可以很容易地配置为至少与训练有素和经验丰富的操作员一样准确地执行,并且这些系统在与一般缺陷审核员进行验证时,经常显示出卓越的准确性。
  • 一致性: ADC系统不会忘记他们的训练。他们不会受到日常事件的影响,也不会因为长时间坐在审查站而感到疲惫。如果不去管ADC系统,它今天会把几个月或几年前看到的相同缺陷分类出来。在大型多班制生产操作中,多个人工审核员参与分类活动,一致性是非常重要的。在这些情况下,受过训练的人可以看到相同的图像,但其分类却不同,特别是当两种缺陷具有非常相似的特征时。
  • 可靠性:自动缺陷分类解决方案是在服务器上执行的编译软件。这意味着该软件将于24/7/365运行。它不会休息一下;它没有病天或每年需要度假几周。这就像Energizer Bunny;它只是继续前进。
  • 内联vs离线:高速和可靠性也允许ADC内联嵌入,这意味着大多数分类可以在检查后或之后的大部分检查。这使工程师能够尽早识别问题并相应行动,这转化为更好的产量和效率。

关于ADC的常见误解

我也发现自己在教育同事和客户关于围绕ADC这个普遍领域的误解。以下是一些经典:

  • 自动缺陷分类:人们经常相信ADC中的“A”是为了“自动”,并认为ADC系统不需要人类互动。事实是ADC解决方案与制造地板上的任何其他工具没有什么不同。就像蚀刻器或CMP系统一样,ADC执行配方并产生结果。此外,与其他工具一样,该配方需要由工具所有者创建,并且需要在需要调整时需要调整为处理更改。
  • ADC很难配置设置ADC分类器就像训练你的操作员。就像你会让人类学员经历多个缺陷的例子一样,ADC系统也需要类似的学习过程。再一次,就像一个人类学员,你想测试他们的学习能力,并根据这个测试做些小调整,如果需要的话。现代ADC解决方案是通过一个直观的UI构建的,该UI旨在指导您完成收集/管理样本、配置图像检测、设置分类器和验证结果的自然步骤。与训练人类的最大区别在于,你只需要训练单个ADC系统,而不是一小群人类评审员。
  • ADC分类器性能是不可预测的:代表良好的样本集,清晰定义和视觉上不同的类是ADC和操作员的关键。ADC分类器在这种情况下是非常可预测的。
  • ADC是完美的:像人类运营商一样,ADC并不完美。如果操作员对某些样本混淆,那么ADC也很可能也是如此。

ADC与AI和机器学习是什么新的

如今,您几乎无法编写技术博客而不提及AI,这在此处都不例外。最近在硬件和软件中的技术进步方面,机器学习越来越多。它使用ADC开辟了一整个机会,否则可能是不可能的。

作为一名工厂产量工程师,你可能会问自己这样一个问题:我如何既能驾驭潮流,又能让我的工作更轻松,同时又能促进我的事业发展?

即使机器学习的入口点从未如此低,仍然有一个学习曲线,用于采用这种技术。另一方面,与内部AI团队的公司可能已经在机器学习中投入了时间,但努力将其解决方案集成在复杂的运行时生产环境中。

精心设计的企业级ADC应用程序应允许所有不同级别的用户利用同一平台内的所有机器学习/ AI。

  • 你是机器学习的新手吗?ADC应允许您创建机器学习模型并在不摆满张量流或Python的情况下创建机器学习模型和培训/测试模型。
  • 您的组织是否已经有培训型号,并希望在生产中证明它?ADC应允许您导入外部培训的模型并将其拟合到运行时生产。
  • 您是否想知道那些来自公共领域的知名模型(如VGG16、exception等)是否可以对您的缺陷进行分类?ADC应该允许您轻松地在您的fab中使用那些可转移的模型。

试试吧。在某些情况下,仅仅两个小时就可以为操作者节省80%的时间。



1评论

大卫热那亚 说:

非常丰富的文章徐东。谢谢你的教育!绝对期待在我厂尝试进入的Trueadc解决方案。

留下一个回复


(注意:此名称将公开显示)