我們公司是一個RFID電子標簽生產制造企業，隨著AI技術的發展，我們將新的技術積極引入生產環節中，以便解決生產環節遇到的問題以及降低用工成本。

以下是我們在RFID生產中遇到的問題：

芯片綁定中的缺陷產品的檢測

1.1 芯片綁定流程的介紹

（1）點膠

該流程采用點膠控制器，通過特定針筒在天線基板上特定位置點上膠水，把天線和芯片粘合在一起，并經過高溫固化，電性能檢測，最終分切成單排并回收成卷狀干標簽的生產過程。

（2）固晶

首先對晶圓中的芯片進行拾取并翻轉，然后有拾取頭拾取并貼裝到天線基板上已點膠的位置，完成對芯片的倒轉貼裝任務。

（3）熱壓

通過熱壓頭對芯片與天線的連接部位進行加熱、加壓，使得膠水固化，完成芯片與天線的連接。

（4）測試

在收卷之前對粘接好芯片的RFID電子標簽進行測試，對不符合要求的標簽打上標識。

1.2 綁定流程中存在的問題

綁定流程的最后一道工序是測試RFID電子標簽的良率，將壞標簽剔除，但是無法知道損壞的原因，不利于操作人員及時調整生產參數。

如果使用圖像識別在熱壓環節進行前道檢測，不但可以減低測試環節的設備成本，還能分析問題原因。

例如下圖的幾種情況：

訓練樣本

除了以上缺陷還有可能存在芯片裂紋等問題，讓操作員可以提早定位問題，提早干預。

標簽復合中的缺陷產品的檢測

在標簽復合流程中，主要是外觀缺陷的檢測，例如下圖中標注出的臟點。

這道工序中，使用圖像識別可以節省用于外觀檢測的工人，降低用工成本。

使用AI模型調用攝像頭檢測產品缺陷，方法描述：

（1）原型展示

（2）識別算法的描述

使用 YOLOv8 Detect 模型轉成 OpenVINO 模型，使用 python 對1200個樣本進行訓練，得到檢測模型，再使用C#+OpenVINO 實現模型的部署。

from ultralytics import YOLO 

import cv2
# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n-seg.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

# Train the model
dsPath = r'c:Usersucard_liuhyDesktopinkdotinkdot.v1i.yolov8data.yaml'
results = model.train(data=dsPath, epochs=100, imgsz=640)

img_path = r'c:Usersucard_liuhyDesktopinkdotcaptured_image_20240905_150621.jpg'  # Update this path to your image file

# Perform prediction
results = model.predict(img_path)

#results = model([img_path])  # return a list of Results objects

# Process results list
for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    result.show()  # display to screen
    result.save(filename='result.jpg')  # save to disk

最終的實現效果：

綁定流程的缺陷檢測，使得原先只能在訂單完成后才能進行的缺陷分析步驟，提升為在線實時分析。這樣可以體現修改生產參數，降低部分原因(如溢膠)導致的缺陷率。

復合流程的缺陷檢測，使得原先由2個工人負責的檢測環節，降低到1個人負責。