कन्वल्यूशनल रिकरंट रिकंस्ट्रक्शन नेटवर्क (CRRN) सोल्डर पेस्ट निरीक्षण के लिए स्पेशियो-टेम्पोरल एनोमली डिटेक्शन हेतु

1. परिचय एवं अवलोकन

यह पेपर प्रिंटेड सर्किट बोर्ड (PCB) निर्माण में सरफेस माउंट टेक्नोलॉजी (SMT) के सामने आने वाली एक महत्वपूर्ण गुणवत्ता नियंत्रण चुनौती का समाधान करना चाहता है। PCB दोषों का एक बड़ा हिस्सा (50-70%) सोल्डर पेस्ट प्रिंटिंग चरण से उत्पन्न होता है। पारंपरिक निरीक्षण विधियाँ, जैसे सोल्डर पेस्ट निरीक्षण (SPI), सांख्यिकीय सीमा मानों पर निर्भर करती हैं जो यह मानकर चलती हैं कि सोल्डर पेस्ट का आयतन सामान्य वितरण का अनुसरण करता है। जब प्रिंटिंग मशीन में दोष डेटा वितरण को व्यवस्थित रूप से पक्षपाती कर देते हैं, तो यह विधि विफल हो जाती है।

लेखक एककन्वोल्यूशनल रिकरंट रिकंस्ट्रक्शन नेटवर्क (CRRN), यह एक नवीन एक-वर्गीय विसंगति पहचान मॉडल है। CRRN केवल सामान्य संचालन डेटा से सीखता है और पुनर्निर्माण त्रुटि को मापकर विसंगतियों की पहचान करता है। इसकी मूल नवीनता कई PCB पैड में SPI डेटा के अंतर्निहित अनुक्रमों में अंतर्निहितस्थानिक-कालिकपैटर्न को प्रभावी ढंग से मॉडल करने में निहित है।

SMT में दोषों के स्रोत

50-70%

PCB दोष सोल्डर पेस्ट प्रिंटिंग चरण में होते हैं।

मुख्य विधि

एकल-वर्ग शिक्षण

मॉडल केवल सामान्य डेटा पैटर्न पर आधारित प्रशिक्षित किया जाता है।

मुख्य बिंदु

समस्या परिवर्तन:साधारण थ्रेशोल्ड-आधारित पहचान से जटिल सामान्य पैटर्न मैनिफोल्ड के प्रवाह को सीखने की ओर बढ़ना।
स्पेस-टाइम फोकस:यह पहचानना कि प्रिंटिंग मशीन दोष अंतरिक्ष (आसन्न पैड) और समय (लगातार सर्किट बोर्ड) में सहसंबंध विसंगतियों के रूप में प्रकट होते हैं।
औद्योगिक व्यावहारिकता:एकल-वर्ग शिक्षण व्यावहारिक है क्योंकि विनिर्माण में, लेबल वाले विसंगति डेटा दुर्लभ और महंगे होते हैं।

2. कार्यप्रणाली: CRRN आर्किटेक्चर

CRRN एक विशेष स्व-एनकोडर है जो क्रमबद्ध द्वि-आयामी डेटा (जैसे, समय के साथ सोल्डर पेस्ट वॉल्यूम प्लॉट) के लिए डिज़ाइन किया गया है। यह पुनर्निर्माण प्रक्रिया को स्थानिक और स्थानिक-अस्थायी दो भागों में विघटित करता है।

2.1 स्पेशल एनकोडर (S-Encoder)

यह मॉड्यूल एकल इनपुट फ्रेम (जैसे, एकल PCB की सोल्डर पेस्ट वॉल्यूम छवि) से स्थानिक विशेषताएँ निकालने के लिए मानक कन्वल्यूशनल न्यूरल नेटवर्क (CNN) परतों का उपयोग करता है। यह मूल इनपुट को निम्न-आयामी स्थानिक विशेषता प्रतिनिधित्व में परिवर्तित करता है।

2.2 स्पेशल-टेम्पोरल एनकोडर-डिकोडर (ST-Encoder-Decoder)

यह CRRN का मूल है। यह S-Encoder से प्राप्त स्थानिक विशेषता अनुक्रम को संसाधित करता है, ताकि समय गतिशीलता का मॉडल तैयार किया जा सके और इस अनुक्रम का पुनर्निर्माण किया जा सके।

2.2.1 कन्व्होल्यूशनल स्पेशियो-टेम्पोरल मेमरी युनिट (CSTM)

Convolutional Long Short-Term Memory Network (ConvLSTM) का एक उन्नत संस्करण। हालांकि ConvLSTM अपने गेटेड संरचना में कनवल्शन ऑपरेशन का उपयोग करता है, CSTM को विशेष रूप से अंतरिक्ष-समय पैटर्न को अधिक कुशलता से निकालने के लिए डिज़ाइन किया गया है, संभवतः रिकर्सिव यूनिट के भीतर समय कदमों में स्थानिक विशेषताओं के प्रवाह को अनुकूलित करता है।

2.2.2 स्पेशियो-टेम्पोरल अटेंशन मेकॅनिझम (ST-Attention)

अनुक्रम में दीर्घकालिक निर्भरता समस्याओं को हल करने की महत्वपूर्ण क्रियाविधि। यह डिकोडर को एनकोडर के सभी समय चरणों पर प्रासंगिक छिपी हुई अवस्थाओं पर गतिशील रूप से ध्यान केंद्रित करने की अनुमति देता है, न कि केवल अंतिम अवस्था पर निर्भर रहने की। यह PCB डिटेक्शन के लंबे अनुक्रम डेटा के सटीक पुनर्निर्माण के लिए महत्वपूर्ण है।

2.3 स्पेशियल डिकोडर (S-Decoder)

S-Encoder के साथ दर्पण सममित, लेकिन ट्रांसपोज़्ड कन्वल्यूशनल लेयर्स (या समान अपसैंपलिंग लेयर्स) का उपयोग करता है। यह ST-Decoder से आउटपुट अनुक्रम प्राप्त करता है और मूल स्पेशियल इनपुट फ़्रेम्स का पुनर्निर्माण करता है।

3. तकनीकी विवरण एवं गणितीय सूत्र

CSTM और ध्यान तंत्र के मूल को गणितीय सूत्रों द्वारा व्यक्त किया जा सकता है। मानक ConvLSTM सेल संचालन इस प्रकार है:

$i_t = \sigma(W_{xi} * X_t + W_{hi} * H_{t-1} + b_i)$

$f_t = \sigma(W_{xf} * X_t + W_{hf} * H_{t-1} + b_f)$

$\tilde{C}_t = \tanh(W_{xc} * X_t + W_{hc} * H_{t-1} + b_c)$

$C_t = f_t \odot C_{t-1} + i_t \odot \tilde{C}_t$

$o_t = \sigma(W_{xo} * X_t + W_{ho} * H_{t-1} + b_o)$

$H_t = o_t \odot \tanh(C_t)$

यहाँ $*$ कनवल्शन ऑपरेशन को दर्शाता है, और $\odot$ एलिमेंट-वाइज़ गुणन को दर्शाता है। CSTM इन ऑपरेशन्स को स्पेस-टाइम पैटर्न को अधिक कुशलता से पकड़ने के लिए संशोधित करता है। ST-Attention मैकेनिज्म डिकोडर के लिए समय $t$ पर एक संदर्भ वेक्टर $c_t$ की गणना करता है, जो सभी एनकोडर छिपी हुई अवस्थाओं $h_s$ का भारित योग है:

$e_{ts} = a(h_{t-1}^{dec}, h_s^{enc})$

$\alpha_{ts} = \frac{\exp(e_{ts})}{\sum_{k=1}^{T} \exp(e_{tk})}$

$c_t = \sum_{s=1}^{T} \alpha_{ts} h_s^{enc}$

यहाँ, $a(\cdot)$ एक संरेखण मॉडल है (उदाहरण के लिए, एक छोटा तंत्रिका नेटवर्क), $\alpha_{ts}$ ध्यान भार है, जो एन्कोडर अवस्था $s$ की डिकोडर चरण $t$ के लिए महत्वपूर्णता निर्धारित करता है।

4. प्रयोगात्मक परिणाम एवं प्रदर्शन

पेपर दर्शाता है कि SPI डेटा विसंगति पहचान में CRRN पारंपरिक मॉडलों जैसे मानक ऑटोएनकोडर (AE), वेरिएशनल ऑटोएनकोडर (VAE) और आधार ConvLSTM-आधारित मॉडलों से बेहतर प्रदर्शन करता है। प्रमुख प्रदर्शन मेट्रिक्स में शामिल हो सकते हैं:

पुनर्निर्माण त्रुटि (MSE/MAE): सामान्य अनुक्रमों के लिए त्रुटि कम होती है और विसंगतिपूर्ण अनुक्रमों के लिए त्रुटि अधिक होती है, जिससे एक स्पष्ट अंतर बनता है।
विसंगति पहचान संकेतक: दोषपूर्ण और सामान्य PCB अनुक्रमों के बीच अंतर करने में, उच्च ROC वक्र के नीचे का क्षेत्र (AUC-ROC), परिशुद्धता, पुनर्प्राप्ति दर और F1 स्कोर प्रदर्शित करता है।
असामान्यता मानचित्र विभेदक क्षमता: CRRN द्वारा उत्पन्न स्थानिक पुनर्निर्माण त्रुटि मानचित्र ("असामान्यता मानचित्र") को डाउनस्ट्रीम प्रिंटिंग मशीन दोष वर्गीकरण कार्य के लिए इनपुट विशेषता के रूप में उपयोग किया जाता है। प्राप्त उच्च वर्गीकरण सटीकता इस बात की पुष्टि करती है कि असामान्यता मानचित्र संभावित दोष पैटर्न को सार्थक रूप से स्थानीकृत और प्रस्तुत करते हैं, न कि केवल शोर को।

चार्ट विवरण (अंतर्निहित): बार ग्राफ दिखाएगा कि CRRN प्रमुख मेट्रिक्स (AUC-ROC, F1 स्कोर) पर बेसलाइन मॉडल्स (AE, VAE, ConvLSTM-AE) से बेहतर प्रदर्शन करता है। दूसरा चार्ट प्रिसिजन-रीकॉल कर्व दिखा सकता है, जहां CRRN का कर्व शीर्ष दाएं कोने के करीब होगा, जो इसके मजबूत प्रदर्शन को दर्शाता है। नमूना विसंगति मानचित्र उच्च त्रुटि वाले क्षेत्रों को दृश्य रूप से प्रस्तुत करेगा, जो विशिष्ट प्रिंटर दोषों (जैसे स्टेंसिल ब्लॉकेज या मिसअलाइनमेंट) से प्रभावित पैड पर केंद्रित होंगे।

5. विश्लेषणात्मक ढांचा: एक गैर-कोड केस स्टडी

दृश्य: एक PCB असेंबली लाइन पर रुक-रुक कर सोल्डर ब्रिजिंग दोष उत्पन्न हो रहा है। पारंपरिक SPI यादृच्छिक पैड को चिह्नित कर देता है, लेकिन मूल कारण निर्धारित नहीं कर पाता।

CRRN अनुप्रयोग:

डेटा संग्रह: सैकड़ों ज्ञात अच्छे PCB से प्राप्त सोल्डर पेस्ट वॉल्यूम मैप अनुक्रमों को CRRN में प्रशिक्षण के लिए इनपुट किया गया।
मॉडल तैनाती: प्रशिक्षित CRRN अब वास्तविक समय SPI डेटा को अनुक्रमिक रूप से (उदाहरण के लिए, प्रति 10 बोर्ड) संसाधित करता है।
विसंगति पहचान: एक बोर्ड अनुक्रम उच्च पुनर्निर्माण त्रुटि प्रदर्शित करता है। CRRN का विसंगति मानचित्र केवल एक पैड को हाइलाइट नहीं करता, बल्कि एकपंक्ति में स्थित आसन्न पैड्स को हाइलाइट करता है।, its volume is abnormal.
Root cause diagnosis: Spatial pattern (a line) points to the Solder Paste Printer (SPP) in theस्टेंसिल स्क्रैच或स्क्वीजी समस्या, यह एक साधारण पैड-बाय-पैड निरीक्षण द्वारा अनदेखी की जाने वाली समय-संबंधितता है। रखरखाव कर्मियों को विशिष्ट प्रिंटर घटकों पर ध्यान देने की याद दिलाई जाती है।

यह ढांचा "खराब बोर्ड का पता लगाने" से "खराबी प्रक्रिया का निदान" की ओर बदलता है, जिससे भविष्य कहनेवाला रखरखाव संभव होता है।

6. आलोचनात्मक विश्लेषण और विशेषज्ञ दृष्टिकोण

मुख्य अंतर्दृष्टि: यह केवल एक और न्यूरल नेटवर्क शोध पत्र नहीं है; यह एक अरबों डॉलर के उद्योग की मूलभूत समस्या - अव्यक्त उपकरण अवनति - पर सटीक प्रहार है। लेखक सही ढंग से बताते हैं कि स्मार्ट फैक्ट्री डेटा का वास्तविक मूल्य एकल स्नैपशॉट में नहीं, बल्कि लगातार उत्पादन इकाइयों में बुनी गईअवनति कथामें निहित है। सीएनएन की स्थानिक कुशाग्रता, एलएसटीएम की समयबद्ध स्मृति और ध्यान तंत्र की फोकस क्षमता को मिलाकर, सीआरआरएन दोष वर्गीकरण से आगे बढ़करदोष विशेषताओं की व्याख्या。

तार्किक प्रवाह: इसका तर्क औद्योगिक रूप से उचित है: 1) सामान्य डेटा प्रचुर मात्रा में है, असामान्य डेटा दुर्लभ है - इसलिए एकल-वर्ग सीखने का उपयोग किया जाता है। 2) दोषों में स्थानिक (बोर्ड पर स्थानीयकृत) और समय-आधारित (क्रमिक रूप से बिगड़ने वाले) आयाम होते हैं - इसलिए समय-श्रृंखला मॉडल का उपयोग किया जाता है। 3) लंबी अनुक्रम शुरुआती चेतावनी संकेतों को छिपा सकती है - इसलिए कारण और प्रभाव को समय के साथ जोड़ने के लिए ध्यान तंत्र जोड़ा जाता है। यह एक समस्या-संचालित वास्तुकला डिजाइन का एक आदर्श उदाहरण है, न कि केवल मॉडलों को जमा करना।

लाभ और कमियाँ:

लाभ (आर्किटेक्चर व्यावहारिकता): मॉड्यूलर डिज़ाइन (S-Encoder, ST-Module, S-Decoder) बहुत सुंदर है। यह स्थानिक विशेषता सीखने को समय-क्रमिक गतिशील मॉडलिंग से अलग करता है, जो प्रशिक्षण स्थिरता और व्याख्यात्मकता में सहायक हो सकता है। लंबी अनुक्रम समस्याओं के लिए, ध्यान तंत्र का उपयोग करने का तर्क पूरी तरह से उचित है।
लाभ (सत्यापन रणनीति): द्वितीयक वर्गीकरण कार्य के लिए विसंगति मानचित्रों का उपयोग करना एक चतुर दृष्टिकोण है। यह साबित करता है कि मॉडल ने अर्थपूर्ण विशेषताएं निकाली हैं, जो इसके समान हैंCycleGANडाउनस्ट्रीम कार्यों के लिए डिस्क्रिमिनेटर सुविधाओं का उपयोग करने का तरीका ब्लैक-बॉक्स त्रुटि स्कोर से आगे निकल जाता है।
संभावित कमियाँ (डेटा आवश्यकताएँ और जटिलता): हालांकि यह एक-वर्गीय शिक्षण है, मॉडल स्वयं जटिल है। ध्यान तंत्र वाले गहरे ConvLSTM को प्रशिक्षित करने के लिए बड़ी मात्रा में सामान्य डेटा अनुक्रम और कम्प्यूटेशनल संसाधनों की आवश्यकता होती है। बहु-विविधता, कम-मात्रा वाली उत्पादन लाइनों के लिए, प्रत्येक उत्पाद वेरिएंट के लिए पर्याप्त "सामान्य" डेटा एकत्र करना चुनौतीपूर्ण हो सकता है।
संभावित कमियाँ (व्याख्यात्मक अंतराल): हालांकि विसंगति मानचित्र त्रुटि का स्थान निर्धारित करता है, लेकिन यह व्याख्या करता है किक्योंयह पैटर्न किसी विशिष्ट प्रिंटिंग प्रेस दोष से मेल खाता है (उदाहरण के लिए, "इस पैटर्न का अर्थ है 50μm Z-अक्ष मिसलाइनमेंट") अभी भी विशेषज्ञ के मैन्युअल व्याख्या की आवश्यकता है। मॉडल ने स्थिति का निदान किया, लेकिन विशिष्ट रोगज़नक़ का नाम नहीं दिया।

क्रियात्मक अंतर्दृष्टि:

निर्माताओं के लिए: अपनी सबसे महत्वपूर्ण या समस्याग्रस्त SPP उत्पादन लाइन पर इस तकनीक का पायलट परीक्षण करें। ROI न केवल अधिक दोष पकड़ने में है, बल्कि भविष्यवाणीपूर्ण अलर्ट के माध्यम से अनियोजित डाउनटाइम और स्टेंसिल वेस्ट को कम करने में भी है। SPI डेटा स्ट्रीम को समय श्रृंखला कैप्चर करने के लिए रीइंजीनियर करके शुरुआत करें।
शोधकर्ताओं के लिए: अगला कदम हैकारणात्मक विसंगति स्थान निर्धारणक्या हम स्पेस-टाइम एरर सिग्नल को रिवर्स प्रोपेगेट कर सकते हैं, न केवल सर्किट बोर्ड पर स्थान का पता लगाने के लिए, बल्कि प्रिंटिंग प्रेस के विशिष्ट भौतिक घटक तक भी? यह शोध कि कैसे भौतिकी-आधारित मॉडल को CRRN की डेटा-संचालित पद्धति के साथ एकीकृत किया जाए, व्याख्यात्मक अंतर को पाट सकता है।
टूल विक्रेताओं के लिए: यह अगली पीढ़ी के SPI और स्वचालित ऑप्टिकल निरीक्षण (AOI) सिस्टम का खाका है। "इंस्पेक्शन स्टेशन" बेचने से, CRRN जैसे एम्बेडेड मॉडल वाले "प्रोसेस हेल्थ मॉनिटरिंग सिस्टम" बेचने की ओर बढ़ना। भविष्य की प्रतिस्पर्धा सेंसर रिज़ॉल्यूशन में नहीं, बल्कि सॉफ्टवेयर इंटेलिजेंस में होगी।

संक्षेप में, Yoo et al. ने एक महत्वपूर्ण योगदान दिया है जो अकादमिक कठोरता और औद्योगिक प्रासंगिकता दोनों को दर्शाता है। यह MIT की भावना का प्रतिनिधित्व करता हैनिर्माण एवं उत्पादकता प्रयोगशाला和औद्योगिक कृत्रिम बुद्धिमत्ताप्रमुख संस्थानों जैसे समुदायों के शोध में प्रवृत्ति: उन्नत गहन शिक्षण का उपयोग सामान्य कार्यों के लिए नहीं, बल्कि स्पष्ट रूप से परिभाषित, उच्च-मूल्य के परिचालनात्मक समस्याओं को सटीक वास्तुकला के साथ हल करने के लिए किया जा रहा है।

7. भविष्य के अनुप्रयोग एवं शोध संभावनाएँ

CRRN फ्रेमवर्क की क्षमता सोल्डर पेस्ट निरीक्षण से परे है:

Semiconductor manufacturing: समय के साथ बदलते वेफर मैप में सूक्ष्म, स्थानिक रूप से संबंधित दोषों (जैसे, एचिंग टूल ड्रिफ्ट के कारण) का पता लगाना।
बैटरी गुणवत्ता नियंत्रण: बैटरी विफलता का कारण बनने वाले कोटिंग दोषों की भविष्यवाणी करने के लिए इलेक्ट्रोड कोटिंग प्रक्रिया से प्राप्त अनुक्रमिक छवियों का विश्लेषण करना।
रोबोटिक पूर्वानुमानात्मक रखरखाव: असेंबली प्रक्रिया के दौरान रोबोटिक आर्म पर लगे बल/टॉर्क सेंसर के समय-श्रृंखला डेटा की निगरानी करना, ताकि यांत्रिक घिसाव का संकेत देने वाले असामान्य पैटर्न का पता लगाया जा सके।
शोध दिशा:
1. लाइटवेट और अनुकूली मॉडल: CRRN के संस्करण विकसित करना जो सीमित डेटा (उदाहरण के लिए, मेटा-लर्निंग या फ़्यू-शॉट तकनीकों का उपयोग करके) के साथ कुशलतापूर्वक फाइन-ट्यून करके नई उत्पाद लाइनों के अनुकूल हो सके।
2. डिजिटल ट्विन एकीकरण: CRRN के विसंगति स्कोर और विसंगति मानचित्र को फैक्ट्री के डिजिटल ट्विन में इनपुट करें, ताकि संदिग्ध प्रिंटिंग प्रेस दोषों के भविष्य की उपज और रखरखाव योजना पर प्रभाव का अनुकरण किया जा सके।
3. मल्टीमॉडल विसंगति पहचान: CRRN का विस्तार करें ताकि यह न केवल SPI वॉल्यूम डेटा शामिल करे, बल्कि अधिक मजबूत दोष विशेषताओं को प्राप्त करने के लिए अन्य सेंसर से सिंक्रोनाइज़ द्वि-आयामी ऑप्टिकल छवियों या त्रि-आयामी ऊंचाई मानचित्रों को भी एकीकृत कर सके।

8. संदर्भ सूची

Yoo, Y.-H., Kim, U.-H., & Kim, J.-H. (年份). Convolutional Recurrent Reconstructive Network for Spatiotemporal Anomaly Detection in Solder Paste Inspection. IEEE Transactions on Cybernetics.
Shi, X., Chen, Z., Wang, H., Yeung, D.-Y., Wong, W.-K., & Woo, W.-c. (2015). Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting. न्यूरल इन्फॉर्मेशन प्रोसेसिंग सिस्टम्स (NeurIPS) में प्रगति.
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is All You Need. न्यूरल इन्फॉर्मेशन प्रोसेसिंग सिस्टम्स (NeurIPS) में प्रगति.
Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE International Conference on Computer Vision (ICCV).
Ruff, L., Vandermeulen, R., Goernitz, N., Deecke, L., Siddiqui, S. A., Binder, A., ... & Kloft, M. (2018). Deep One-Class Classification. International Conference on Machine Learning (ICML).
Coleman, C., Damodaran, S., DeCost, B., et al. (2020). Defect Detection in Additive Manufacturing via Deep Learning. JOM, 72(3), 909–919.