新聞中心

“5G+ 先進制造”推進了電子工業智能化的進程，在廣覆蓋、低延時、高可靠互聯網背景下，蓬勃發展的現代信息技術與制造場景的有機結合，誕生了諸多新業態和新模式。電子設備和相關系統的基礎和核心就是電子元器件，如果電子元器件的質量難以保證，就不會生產出優良的電子產品，就難以發揮電子產品的功能。由此，電子企業生存發展的首要任務就是利用科學的手段嚴格檢測產品，以優質的產品質量增強自身的市場競爭力。而 5G 技術在電子工業領域的應用，推進了電子元件檢測智能化的進程。 

1 電子元器件檢測中存在的問題 

1.1 元器件的安全可靠性    

因為電子元器件的結構相當精密，在極其復雜的工作環境中，只有確保絕對的安全可靠，才可以滿足不同領域對產品的需求。特別是在軍民結合的領域中，生產優質產品的前提條件就是電子元器件的安全可靠性。國家軍工標準中對電子產品質量要求異常的嚴格，為了準確地評價產品，必須進行嚴格的檢測。針對集成電路的制造，必須具備匹配產品要求的制造環境，首先要進行電學實驗，嚴格按照實驗程序進行規范化的操作，以保證實現產品要求的各項性能指標。由此不難看出，保證電子產品質量的關鍵措施就是對電子元器件的嚴格檢測。目前廣泛使用的檢測方式包括電氣產品通用環境類實驗和電性能參數測試。 

1.2 設備與系統不配套問題    

傳統的電子元器件的檢測設備不僅在功能方面不完善，更不具備相匹配的操作系統。通常情況下，提供電子元器件以及集成電路檢測設備的是傳統設備供應商，其設備成本超高，如果進行系統升級會耗費大量時間。很多電子企業的檢測設備只能進行局域網通信，難以兼容新型工業互聯網和人工智能技術。在設備和系統不完善的情況下，更多依賴的是工作人員手工檢測電子元器件。因為設備類型不統一，結構又復雜，檢測模式有缺陷，操作人員會進行更多的手工檢測工作，一旦工作疏忽就難以發現有質量的產品，造成檢驗結果的不準確。問題的癥結在于操作人員是按照自己的工作經驗判斷產品的質量，大大增加了電子元器件檢測的不確定性。 

1.3 數據孤立問題    

企業的檢測設備盡管在檢測過程中可以采集到數據，但這些數據與電子元器件難以形成聯系。盡管計算機能夠控制檢測設備，但檢測設備卻不能與產品通信。在檢測工作完成后，產品與采集的數據沒有相互聯系，工作人員難以對產品狀態進行跟蹤。這就導致在分析數據時難以和產品關聯，無法追溯檢測過程，嚴重降低了數據的利用率。當前，電子元器件的質量檢測量大、檢測內容復雜、面臨很大的技術難度、檢測周期過長、檢測效率差。如果只是利用人工分析設備采集的大量數據，數據的準確性很難保證。所以，很多電子企業開始利用工業互聯網技術來改進檢測工作，進行檢測流程的優化，顯著提升了檢測效率和準確度。 

2 5G 技術在電子元器件智能檢測中的關鍵意義 

2.1 智能化可以滿足信息共享的需求    

企業傳統的電子產品檢測中心具有一定的封閉性，從待測的電子元器件樣品的送檢到檢測報告形成，從啟動檢測設備到操作看板管理，全部檢測過程會有大量工作人員穿插其中。所以，在電子元器件質量檢測軟件的研發中，很多企業力圖從管理實驗任務、自動化測試、結構標準化、自動生成報告等諸多環節來提升檢測過程的智能化。但因為現有的檢測設備信息化程度的差異性、缺失業務數據的中臺、互聯網環境的影響，檢測數據的采集、共享和分析的效果還不能完全達到業務要求，大量數據的交換和共享還難以實現。 

2.2 5G 技術促進檢測智能化的進程    

隨著 5G 技術的日趨成熟，5G+ 工業互聯網的融合模式將會為智能檢測提供良好的技術支撐，真正實現了質量檢測數據分享向接入數據、傳輸的低延時、分析建模智能化的2.0版本升級更新，促進了信息自動化水平的不斷提升，讓檢測設備的數據生產能力更強、制定的解決方案更有實用性。同時，大數據和云計算資源可以通過 5G 數據業務中臺、智能終端進行分配和調用，企業可以依托該優勢構建檢驗測試流程的操控臺，還能夠利用移動窗口進行工業互聯網上的信息交互，并在移動互聯網上分享，完成與消費者的有效連接，從而通過智能檢測管理平臺上檢測試驗知識的沉淀和流轉，顯著提升產品檢測效率的同時，更挖掘了網絡化協同檢測潛能，為電子工業制造的升級創造了條件。 

3 5G 技術在電子元器件智能檢測中的應用途徑 

3.1 綜合應用的路徑    

從集成電路、電子元器件的檢驗篩選為出發點，結合老煉檢測試驗、電子元器件測試電性能的參數等檢測程序，借助工業互聯網系統，依托5G技術、大數據建模預測分析、工業物聯網、B1可視化技術、數據采集和存儲等的分析和應用，研究制定集成電路、高端電子元器件智能檢測的改進方案。其一，通過高信息化、自動化智能檢測設備的研發和改進方案的制定，完成科技含量高的自動測試、自動篩選的功能，該功能可以精細到對每個元器件信息采集、存儲和溯源。其二，通過現代工業互聯網技術中的容器化和微服務技術，借鑒通用化、組件化、平臺化的設計理念，進行工業物聯數據系統的設計，檢測數據中臺的構建，利用 5G 技術進行產品測試數據、檢驗設備數據的傳輸，利用 APP 軟件管理和應用檢驗設備和產品測試數據，真正打通質檢過程全周期的所有數據。 

1. 工業物聯網應用集成解決方案    

通過大數據、云計算、物聯網等高端技術，構建電子元器件檢測的數據采集和數據分析的平臺，主要有設備接入、傳輸數據、管理設備、服務開放、微服務、監控、機理模型、規則引擎等。服務開放、數據傳輸等。應用場景和系統架構見圖 1所示。

圖1  5G 技術下工業互聯網應用場景及系統架構

2. 質檢數據共享   

電子元器件的試驗標準進行自動匹配，完全可以利用設備儀表自動實現試驗數據收集、判定試驗結果，同時能夠按照客戶需求對試驗報告模板進行自主選擇。 

3. 匹配產品與檢測數據    

通過 5G 技術改造傳統電子元器件檢測設備，真正實現智能化的檢測，設計信息化夾具載板、載盒，將5G通信模組植入其中，可以準確地一一對應每個待測產品與檢測數據，真正實現了產品與檢測設備的有效通信。 

4. 有線和無線融合解決方案    

以 5G 基站部署為基礎，將移動信息終端配置在4G/5G網絡環境下、同時在該環境下進行5G數據采集終端等與物聯平臺的適配，真正實現了檢測數據收集和傳輸的高效性，切實提升了檢測數據治理的效果，確保了檢測系統通信的安全。 

5. 創新舉措    

在 5G 技術背景下，具備超強的數據傳輸能力，可以將5G工業互聯網與電子元器件檢測系統有機結合，以促進智能化檢測水平的提高。針對傳統檢測設備難以與產品通信的問題，5G工業互聯網完全可以保證兩者間的通信，如此就對產品質量進行追溯。表現在兩個方面。第一，對檢測流程的優化。在智能終端和裝備應用的兼容中，分析電子產品可以利用大數據，以發揮數據的作用。第二，提高智能檢測系統的全面性，創建有針對性的實訓基地，以培養高素質的復合型人才。

3.2 5G 技術與 CNN 結合的算法框架建設 

（1）聯合編程    

5G 技術大連接的特征成功地促進了工業互聯網與CNN網絡的兼容，解決了電子元器件檢測中的分類預測問題。該應用在電子元器件導線頭檢測中作用顯著。當完成第一階段經典機器視覺對線頭的篩檢工作后，線頭部位的篩檢工作由CNN網絡進行，系統最終會獲得兩方面的計算參數和分類結果，以此綜合考慮導線頭類別。在具體的應用過程中，利用經典深度學習開源框架與自動化設備通用編程軟件進行聯合編程，搭建起的智能化軟件結構實現了CNN網絡模型與經典機器視覺算法結合的目的。因為自動化設備通用編程軟件可以有效進行檢測目標數據的獲得、存儲和預處理，并對工程師經驗引導的算法流程進行構建， 深度學習算法的框架實現了核心模型的識別。  

2. 深度學習模型    

由于電子元器件導線線頭失效形式復雜多樣，所構建的基礎數據集無法做到對失效特征的全面覆蓋。針對這一問題，基于 5G 的 2.0 版的智能模型理念，對初始深度學習模型進行集訓，以此為基礎上構建處理模式，即人工智能算法與工程師經驗的有機結合，以有效擴充訓練集樣本數量和種類，在確?？煽氐那闆r下完成算法精度的迭代上升。而每一輪迭代都會以以前模型判斷結果為依據，以更正發現的原有樣本數據分類標簽的錯誤，在對訓練集規模進行控制同時，進行細化、分類、補充以及歸屬處理未知的樣本數據，從而在新的訓練集的基礎上重新訓練模型，以進一步提升樣品識別的準確率。

3. 分類識別模型    

決定分類識別模型學習上限的因素，包括樣品數據的質量、類別標簽的完整度和不同類別間樣本規模及數量比例等。為了提升識別的準確率，就要不斷地完善識別模型，由此本研究在建設樣本數據集方面創建符合業務場景的程序和更新方式。在數據庫的在線數據采集整理的基礎上，參考統計分析和反饋調節機制，重點整理未知新型失效樣本，實現了一種基于自適應樣本標簽跟蹤和改進機制的工程師監督識別模型，實現了訓練集的周期性動態更新。 

3.3 數據集建設    

5G 技術的 2.0版智能算法模型保證了結果精度的下限，而結果精度的上限是由數據決定的。而5G多元化的特點可以將信息技術與制造場景有機融合。而本文的電子元器件的產品外觀篩檢工作是一個典型的分類任務，也就是在獲得產品外觀圖像的前提下，判斷元器件樣本是不是合格，原則上可以對二分類問題進行設置。但因為多樣的失效特征、復雜的失效形式等原因的影響，本文的研究力圖將給分類問題進行細化，構建多分類的模型，綜合電子元器件的相關數據，在進行工程師對樣品數據整理、采集、分類模式以及標注標簽的基礎上，對分類標簽和樣本數量進行確定，以進行有針對性地處理，構建適應檢測業務需求的多分類基礎數據集。在實際的進行過程中，基礎數據集大體分兩個階段。 

1. 參照檢測工程師的檢測經驗，綜合 auto-encoder 的無監督聚類結果，把采集到的樣本圖像數據根據產品的外觀質量從高到低進行五大類別的定義：不合格為NG、缺絲為 QS、過度偏不合格為GD-NG、過度偏合格為GD－OK、合格OK。 
2. 對基礎數據中導線頭的核心特征進行提取，包括正、歪、淺、散、斷、缺等。并在此基礎上描述失效特征并對分類標簽結果進行細化，讓數據集中分類標簽科學合理性。值得一提的是，一些類別數據因為數量過少，極容易產生噪聲干擾分類模型的分類邊界，從而發生模型的過擬合現象，導致數據稀少樣本周圍被識別模型判斷為錯誤類別，形成一定的分類誤差，嚴重影響到多分類模型的預測精度。為了杜絕這種現象發生，在建設數據的過程中必須考慮在風險可控的情況下，對部分稀少類別的數據集進行合理的合并，促進不同類別數據集數據樣本比例相對均勻，從數據集的層面模型的類別分析更加穩健。 

4 結束語    

產品的質量是電子信息生產企業生存和發展的根本保障。作為電子設備和相關系統基本單元的電子元器件，一旦產品出現任何問題都會給合作企業帶來麻煩，甚至造成不可估量的經濟損失。由此，對電子元器件質量的檢測工作尤為重要，而傳統的檢測系統存在著諸多漏洞，技術改造勢在必行。5G 技術在電子生產企業系統的應用，促進電子工業生產朝著更高層次發展，同時也推動了檢測系統智能化的進程，最大程度解決了傳統電子元器件檢測中的問題。

所載文章為原創或根據網絡搜索編輯整理，文章版權歸原作者所有。因轉載眾多，無法找到真正來源，如標錯來源，或對于文中所使用的圖片，資料等如有侵權，請跟我們聯系刪除，謝謝！