A state of the art review of PCB optical inspection methodologies

In the fourth industrial revolution context (Industry 4.0), The optimization of production processes and quality assurance have become fundamental. This thesis explores the evolution of automated optical inspection (AOI) methods for printed circuit board (PCB) defect detection, which is of paramount importance in the electronics industry. First, this work analyzes traditional automated optical inspection systems, examining the differences between 2D and 3D acquisition technologies. Although these systems represent the established industry standard, the analysis highlights the inherent limitations of approaches based on rigid rules, which are often subject to high false positive rates and difficulties in adapting to complex scenarios. To overcome these critical issues, the research shifts towards the analysis of techniques based on artificial intelligence. First, Machine Learning (ML) techniques are explored, comparing different algorithms and evaluating their advantages and limitations in terms of accuracy and generalization capabilities. Finally, the paper explores Deep Learning (DL) techniques, highlighting how neural networks have revolutionized PCB inspection. Advanced techniques such as patch classification, semantic segmentation and anomaly detection are analyzed, with particular emphasis on the strategic role of dataset quality. In conclusion, the paper offers a critical overview of the state of the art, highlighting how the transition from deterministic systems to data-driven solutions is key to increasing production efficiency and drastically reducing the margin of error in defect detection

Nel contesto della quarta rivoluzione industriale (Industria 4.0), l’ottimizzazione dei processi produttivi e la garanzia della qualità sono diventati pilastri fondamentali. Questa tesi esplora l’evoluzione dei metodi di ispezione automatica per il rilevamento di difetti nei circuiti stampati (PCB), un componente critico per l’intera industria elettronica. Il lavoro analizza inizialmente i sistemi di ispezione ottica automatizzata tradizionali, esaminando le differenze tra le tecnologie di acquisizione 2D e 3D. Sebbene tali sistemi rappresentino lo standard industriale consolidato, l’analisi evidenzia i limiti intrinseci degli approcci basati su regole rigide, spesso soggetti a elevati tassi di falsi positivi e difficoltà nell’adattarsi a scenari complessi. Per superare queste criticità, la ricerca si sposta verso l’analisi di tecniche basate su intelligenza artificiale. Dapprima vengono esplorate tecniche di Machine Learning (ML), confrontando diversi algoritmi e valutandone vantaggi e limiti in termini di accuratezza e capacità di generalizzazione. Infine, l’elaborato esplora le frontiere del Deep Learning (DL), evidenziando come le reti neurali abbiano rivoluzionato l’ispezione dei PCB. Vengono analizzate tecniche avanzate quali la classificazione di patch, la segmentazione semantica e l’anomaly detection, ponendo particolare accento sul ruolo strategico della qualità dei dataset. In conclusione, l’elaborato offre una panoramica critica sullo stato dell’arte, evidenziando come la transizione da sistemi deterministici a soluzioni data-driven rappresenti la chiave per incrementare l’efficienza produttiva e ridurre drasticamente i margini di errore nella rilevazione dei difetti.