A data processing pipeline for defect detection in printed circuit boards

The increasing complexity of modern Printed Circuit Boards, coupled with growing demands for product reliability, has made defect detection a central aspect of quality assurance in electronics manufacturing. Ensuring high manufacturing standards requires robust inspection methods capable of identifying defects with precision and efficiency. Automated Optical Inspection (AOI) systems have become standard tools for defect detection during production, employing rule-based algorithms to assess solder joints, component placements, and other critical features. However, despite their widespread adoption, AOI systems often exhibit a high false positive rate, producing numerous defect alerts that require manual verification by experts. This reliance on manual intervention not only increases inspection time but also introduces inconsistencies due to subjective operator interpretations, highlighting the need for a more reliable and scalable approach. To address these challenges, we developed a comprehensive data processing pipeline that integrates information from AOI systems, operator reviews, and X-ray inspections. By incorporating AOI images alongside tabular test data, the pipeline captures both the visual and qualitative aspects of each inspected component, enabling a more comprehensive defect analysis. A unified database was designed to establish clear relationships among test results, operator evaluations, and corresponding visual data, ensuring seamless data organization and accessibility. This structured database serves as the foundation for applying machine learning techniques to enhance defect detection, particularly for solder-related defects, where subtle visual indicators can signal quality issues. By combining data transformation, multi-source integration, and machine learning, our pipeline enhances the reliability of data-driven quality control in Industry 4.0. This approach not only improves defect detection but also establishes a scalable framework for automated inspection systems that continuously learn and adapt to evolving production conditions.

La crescente complessità dei moderni circuiti stampati, unita ai requisiti sempre più rigorosi in termini di affidabilità, rende il rilevamento dei difetti un aspetto cruciale nei processi di controllo qualità dell’industria elettronica. Per garantire elevati standard di produzione, è essenziale adottare tecniche di ispezione avanzate, in grado di individuare i difetti con massima precisione ed efficienza. I sistemi di Ispezione Ottica Automatica (AOI) sono ormai strumenti standard nel rilevamento dei difetti durante la produzione, grazie all’uso di algoritmi basati su regole per analizzare le giunzioni di saldatura, il posizionamento dei componenti e altre caratteristiche critiche. Tuttavia, nonostante la loro ampia diffusione, questi sistemi tendono a generare un elevato numero di falsi positivi, segnalando difetti che spesso richiedono una verifica manuale da parte di un operatore esperto. Questa necessità di intervento umano non solo prolunga i tempi di ispezione, ma introduce anche possibili incoerenze dovute alla soggettività delle valutazioni, evidenziando la necessità di un approccio più affidabile e scalabile. Per rispondere a queste sfide, abbiamo sviluppato una pipeline per l’elaborazione dei dati, capace di integrare le informazioni provenienti dai sistemi AOI, dalle revisioni degli operatori e dalle ispezioni a raggi X. Combinando le immagini AOI con i dati tabulari dei test, la pipeline consente di analizzare ogni componente sia dal punto di vista visivo che qualitativo, offrendo un’analisi dei difetti più accurata e completa. A supporto di questo approccio, è stato progettato un database per creare relazioni tra i risultati dei test, le valutazioni degli operatori e i dati visivi corrispondenti, garantendo un’organizzazione efficiente e un accesso rapido alle informazioni. Questa struttura rappresenta la base per l’applicazione di tecniche di machine learning volte a migliorare il rilevamento dei difetti, con particolare attenzione a quelli di saldatura, dove anche minime variazioni possono segnalare problemi di qualità. Combinando la trasformazione dei dati, l’integrazione di più fonti e il machine learning, la nostra pipeline rende il controllo qualità nell'Industria 4.0 più affidabile. Questo approccio non solo migliora il rilevamento dei difetti, ma fornisce anche una struttura scalabile per sistemi di ispezione automatizzati, capaci di apprendere e adattarsi ai cambiamenti della produzione.