一种基于分级多源特征与集成模型的不可修复PCB元件评估方法
论文相关信息
本文内容取自(missing reference)。
背景意义
表面贴装技术（Surface Mount Technology, SMT）用于焊接裸印刷电路板（Printed Circuit Boards, PCB)和电子元件，如今制造的多数PCB都采用SMT技术。SMT工艺中，通过自动光学检测机器和人类检查员检查PCB上的元件焊接情况。经过双重检查，有一部分PCB上的元件被认定有焊接缺陷。在考虑任何维修工作前，会安排修复人员对这些PCB上有缺陷的元件进行检查，为其分配不同的修复标签。该修复标签会将缺陷的元件划分为三类：不可修复、可修复和无缺陷。同时，修复人员对可修复的PCB元件进行修复。这里的可修复性检查是耗时的，会影响修复人员的工作效率。因此，我们试图通过算法将缺陷元件中的不可修复元件精准找出，进而减少修复人员的部分工作量，提高其工作效率。
本文工作
本文利用SMT工艺中可收集的锡膏检测数据和自动光学检测数据，在缺陷元件的可修复性检查阶段，将不可修复的元件精确检出。这里，锡膏检测数据和自动光学检测数据来自于SMT工艺的不同生产阶段，但都可以反映元件焊接质量。关于SMT工艺流程及这两种数据的详细介绍可参考[1]。
本文具体提出了一种基于分级多源特征与集成模型的不可修复PCB元件评估方法，框架如图1所示。首先，本文利用锡膏检测数据和自动光学检测数据，提出了一种分级多源特征提取方法。这种方法分别在元件级和引脚级提取特征。在原始引脚级特征基础上，我们充分理解数据的实际物理意义，进一步构建新的引脚级特征，并在所有引脚级特征基础上构建统计特征，即得到元件级特征。同时，我们在引脚级提取所有元件前2个引脚的原始特征，作为引脚级特征。这里的引脚级特征是考虑到大多数元件为2引脚元件，通过引脚级特征可以精确描述多数元件的可修复性。同时通过元件级的统计特征，可以在更高层级描述所有元件的可修复性。最终在锡膏检测数据上提取的分级特征如表1所示，在自动光学检测数据上提取的分级特征如表2所示。接着，我们提出了一种基于XGBoost和TabNet的集成学习方法，用于精准分类。这里主要是考虑到集成模型会从不同角度对元件的可修复性进行更精准的评估，现有研究也表明集成模型往往会取得更好的效果。
图1 本文方法框图
实验结果
为验证上述方法的有效性，本文进行了对比试验，结果如表1所示。在实验中，我们通过阈值调整的方法，探究方法在不同精度下的性能。与基线方法相比，本文提出的方法在不同精度要求下表现最佳。我们还可以看到，在95%和100%的精度下，我们的方法的优越性更加明显。根据精度为100%的WorkReduce评分，我们的方法可以将操作员的工作量减少16.60%，不会带来额外损失。因此，实验结果证明了本文提出的方法的优越性。
为验证分级多源特征提取方法的有效性，进行了消融实验，结果如表2所示。通过观察，采用完整分层多源特征的方法在关键指标上获得了最佳分数。因此，本文提出的分层多源特征提取方法是有效的。
为验证集成学习方法的有效性，进行了消融实验，结果如表3所示。通过观察可以看出，TabNet模型不能达到95%和100%的精度。XGBoost模型的得分优于TabNet模型。集成模型优于XGBoost模型。这是因为XGBoost模型和TabNet模型从不同的角度学习特征，形成互补性。因此，集成模型是有效的。
参考文献
- [1]L. Chen, Y. Zhao, B. Liu, S. Dong, H. Zhu, and P. Bai, “A Reliable Ensemble Model based on Hierarchical Component Features for Repair Label Prediction of Soldering Defects,” in 2024 14th Asian Control Conference (ASCC), 2024, pp. 1563–1568.