На производстве печатных плат часть компонентов устанавливаются вручную, и на этом этапе возникают ошибки: пропущенный компонент, неверное положение, неправильная ориентация полярного элемента. Классические AOI-системы настраиваются под каждую конкретную плату, а нейросетевые требуют больших размеченных датасетов и переобучения при смене изделия. В мелкосерийном производстве, где номенклатура плат велика и постоянно меняется, оба подхода плохо масштабируются. В докладе разберём AOI-систему, построенную на другом принципе: модели обучаются распознавать не платы, а классы компонентов. За счёт этого ввод новой платы сводится к одному снимку эталона, с которого система сама извлекает состав, координаты и ориентацию элементов. Рассмотрим гибридную архитектуру решения — сегментацию компонентов через YOLOv11, отдельные CNN на базе ResNet для определения ориентации полярных элементов и алгоритмический слой сопоставления эталонной и проверяемой платы. Также вам расскажут об инженерных сложностях, с которыми столкнулись при обучении и внедрении.

Спикер

Руслан ДаминдаровРуководитель лаборатории робототехники и искусственного интеллекта · Rubetek