EO_514

Fig. 3 – Pad di circuiti integrati (http://www.diva-portal.org ) nire alle reti neurali. Le immagini della scheda vengono acquisite e quindi pre-elaborate per estrarre le regioni di interesse per la diagnosi, ovvero i giunti di saldatura dei circuiti integrati. Innanzitutto, viene eseguita la seg- mentazione dell’immagine per l’estrazione della scheda. Infine, viene eseguita la stessa operazione per l’estrazio- ne dei pin dei componenti. Nella figura 3 viene illustrata l’area d’interesse relativa ai pad di circuiti integrati. Durante l’estrazione delle caratteristiche, da ciascuna regione di interesse vengono estratti due vettori delle caratteristiche, il vettore delle caratteristiche geometri- che e il vettore delle caratteristiche “wavelet”. Entrambi i vettori alimentano il sistema di reti neurali costituito da due reti neurali Multilayer Perceptron e da una rete di quantizzazione vettoriale lineare per la classificazione. I risultati sperimentali sono dedicati al confronto delle prestazioni di una rete Multilayer Perceptron di una rete di quantizzazione vettoriale lineare e dell’intero sistema di rete neurale, considerando entrambe le caratteristiche geometriche e wavelet. In questo articolo sono stati presentati gli attuali ap- procci al rilevamento dei difetti nei PCB, in particolare le tecniche di apprendimento automatico. Sebbene i me- todi d’ispezione con l’apprendimento automatico abbia- no fatto registrare buoni risultati per il rilevamento dei difetti nei PCB, è auspicabile applicare l’apprendimento automatico anche per prevedere i potenziali futuri difetti dei PCB prima che avvenga la stampa della saldatura. T&M MACHINE LEARNING ELETTRONICA OGGI 514 - NOVEMBRE/DICEMBRE 2023 64