摘 要：

新一代信息技術(shù)的高速發(fā)展為制造業(yè)的轉(zhuǎn)型與發(fā)展提供了機遇，同時也推動了制造質(zhì)量管理方式的重大變革。本文結(jié)合制造業(yè)發(fā)展實際情況，概述了質(zhì)量4.0的基本理論及關(guān)鍵技術(shù)，并進一步探討了質(zhì)量4.0的實施與落地應(yīng)用。具體而言，將印制電路板（printed circuit board， PCB）缺陷檢測作為研究案例，設(shè)計了基于質(zhì)量4.0的PCB智能缺陷檢測方案，并提出了缺陷檢測的5個關(guān)鍵評價標(biāo)準(zhǔn);提出的檢測方案可有效幫助PCB制造企業(yè)過濾缺陷假點、控制產(chǎn)品良率、獲取缺陷解決建議，并為員工掌握專業(yè)檢測技能提供學(xué)習(xí)和培訓(xùn)平臺。本文旨在研究質(zhì)量4.0環(huán)境下的智能缺陷檢測及其PCB中的應(yīng)用，以推動制造業(yè)質(zhì)量管理數(shù)字化和智能化轉(zhuǎn)型。

關(guān)鍵詞：

質(zhì)量4.0; 質(zhì)量管理; 印制電路板制造; 缺陷檢測; 智能制造

中圖分類號：

F 253.3

文獻標(biāo)志碼： A""" DOI：10.12305/j.issn.1001-506X.2024.05.21

Intelligent defect detection based on Quality 4.0： a case study of

printed circuit board

LIU Huchen1， LI Ke1， WANG Heming1， SHI Hua2，*

（1. School of Economics and Management， Tongji University， Shanghai 200092， China;

2. School of Materials， Shanghai Dianji University， Shanghai 201306， China）

Abstract：

With the rapid development of information technologies， we can find more opportunities to transform and develop the manufacturing industry， which drives the significant transformation of quality management methods. Based on the actual situation of the manufacturing industry， this work outlines the basic theory and key technologies of Quality 4.0， and further explore the application and implementation of Quality 4.0. Specifically， the printed circuit board （PCB） manufacturing is taken as an example， and design an intelligent defect detection scheme is design during PCB production based on the Quality 4.0 theory. And five key evaluation criteria for defect detection have been proposed. The proposed testing scheme can effectively help PCB manufacturing enterprises filter out 1 defects， control product yield， obtain defect resolution suggestions， and provide a learning and training platform for employees to master professional testing skills. This paper aims to study intelligent defect detection in the Quality 4.0 environment and its application in PCB， in order to promote the digital and intelligent transformation of manufacturing quality management.

Keywords：

Quality 4.0; quality management; printed circuit board （PCB） manufacturing; defect detection; intelligent manufacturing

0 引 言

制造業(yè)作為全球經(jīng)濟競爭制高點，是國民經(jīng)濟的主體，是立國之本、強國之基。在新一代信息技術(shù)的推動下，各國高度重視制造業(yè)轉(zhuǎn)型升級，提出并部署了不同的發(fā)展戰(zhàn)略［1-5］。例如，德國于2013年漢諾威工業(yè)博覽會提出“工業(yè)4.0”戰(zhàn)略［1］，等等。

近年來，國內(nèi)外學(xué)者圍繞質(zhì)量4.0開展了大量研究工作。如Sader［6］等人從質(zhì)量管理的演變過程和工業(yè)4.0背景兩個維度對質(zhì)量4.0進行了定義。Thekkoote［7］研究了數(shù)字化轉(zhuǎn)型時代有效應(yīng)用質(zhì)量4.0需要具備的因素。Liu［8］等人從質(zhì)量4.0理念、質(zhì)量4.0實施、質(zhì)量4.0中的質(zhì)量管理以及質(zhì)量4.0的模型與應(yīng)用4個方面對質(zhì)量4.0相關(guān)文獻進行系統(tǒng)回顧。然而，目前針對質(zhì)量4.0的研究主要集中在理論探索領(lǐng)域，難以滿足制造業(yè)發(fā)展的實際應(yīng)用需求。因此，本文以印制電路板（printed circuit board， PCB）缺陷檢測過程為智能質(zhì)量管理應(yīng)用場景，探索如何基于質(zhì)量4.0理論設(shè)計企業(yè)應(yīng)用方案，開展質(zhì)量4.0的應(yīng)用研究。

PCB在整個電子信息制造業(yè)發(fā)揮著“承上啟下”的作用，所有電路或電氣控制的設(shè)備或產(chǎn)品都要用到PCB，其質(zhì)量狀況將影響到電子信息制造行業(yè)所有產(chǎn)品的質(zhì)量與可靠性［9］。2016年以來，我國在PCB產(chǎn)值方面一直保持50%以上的全球份額;2021年，PCB行業(yè)的產(chǎn)值規(guī)模持續(xù)擴大，全球市場份額提升至近60%，產(chǎn)值高達570億美元。但是，目前PCB產(chǎn)業(yè)目前仍處于“大而不強”的狀態(tài)，高端PCB制造技術(shù)在工藝路線、質(zhì)量控制水平等方面與國外相比需要進一步提升［9］。

通常情況下，PCB生產(chǎn)過程涉及十多道工序，雖然嚴(yán)格控制，但無法完全避免線路短路、位置錯位、阻抗不匹配等缺陷的出現(xiàn)。其表現(xiàn)形態(tài)相似，種類繁雜，增加了質(zhì)量控制的難度，還容易導(dǎo)致檢測過程中出現(xiàn)過檢或漏檢等問題［10］。此外，由于PCB缺陷種類繁多，如何針對不同類型的缺陷采取不同的處理方法也是目前企業(yè)面臨的難題?；赑CB在電子信息制造行業(yè)的重要性以及PCB缺陷處理的復(fù)雜性，本文以PCB缺陷檢測為重點，提出基于質(zhì)量4.0的PCB智能缺陷檢測方案。方案的提出對提高PCB生產(chǎn)線的缺陷檢測效率、加速生產(chǎn)線的升級改造、提升PCB的智能制造水平等具有重要作用。

本文首先概述了質(zhì)量4.0的理論框架，并對質(zhì)量4.0支撐技術(shù)以及質(zhì)量管理應(yīng)用場景進行簡要介紹，然后選取了PCB的缺陷檢測過程為應(yīng)用場景，設(shè)計了基于質(zhì)量4.0的智能缺陷檢測方案，并提出了缺陷檢測的五個關(guān)鍵評價標(biāo)準(zhǔn)。本文旨在通過質(zhì)量4.0應(yīng)用研究，促進質(zhì)量4.0理論與方法在制造業(yè)質(zhì)量管理實踐中落地，推動制造業(yè)高質(zhì)量發(fā)展。

1 質(zhì)量4.0概念

1.1 質(zhì)量4.0定義與內(nèi)涵

質(zhì)量4.0是將新一代信息技術(shù)與傳統(tǒng)質(zhì)量管理實踐深度融合，基于產(chǎn)品全價值鏈開展的質(zhì)量管理，以數(shù)字化、智能化、預(yù)測化和大規(guī)模個性化為主要特征［2，8］。對于質(zhì)量4.0，可以基于三維理論模型對其進行描述，如圖1所示。

1.1.1 技術(shù)維

技術(shù)維體現(xiàn)了質(zhì)量4.0的技術(shù)特征，即數(shù)字化、網(wǎng)絡(luò)化、智能化。數(shù)字化技術(shù)為質(zhì)量4.0打造堅實的數(shù)字底座，確保質(zhì)量管理者所做的每一個決策、每一項質(zhì)量管理活動都有準(zhǔn)確可靠的數(shù)據(jù)支撐［11］。網(wǎng)絡(luò)化技術(shù)可支持系統(tǒng)、企業(yè)以及產(chǎn)業(yè)之間的互通互聯(lián)。在微觀上，可實現(xiàn)每一個數(shù)據(jù)孤島緊密連接與交互，構(gòu)建端到端的工業(yè)物聯(lián)網(wǎng)平臺，企業(yè)可基于此平臺開展面向產(chǎn)品全價值鏈的質(zhì)量管理。在宏觀上，可構(gòu)建企業(yè)間的工業(yè)互聯(lián)網(wǎng)平臺，開展面向供應(yīng)鏈、產(chǎn)業(yè)鏈的質(zhì)量管理。智能化是質(zhì)量4.0最顯著的技術(shù)特征，人工智能等新一代信息技術(shù)作為新一輪產(chǎn)業(yè)和技術(shù)革命的重要驅(qū)動力量，已逐漸成熟并在質(zhì)量管理場景中落地。質(zhì)量4.0通過將傳統(tǒng)質(zhì)量管理方法與新興技術(shù)融合，將具備更強大的質(zhì)量數(shù)據(jù)分析和質(zhì)量管理決策能力［12］。

1.1.2 活動維

活動維是指質(zhì)量4.0為實現(xiàn)質(zhì)量管理的價值創(chuàng)造與價值優(yōu)化而采取的質(zhì)量管理活動，主要包含質(zhì)量設(shè)計、質(zhì)量檢測、質(zhì)量監(jiān)控、質(zhì)量預(yù)測、質(zhì)量追溯和質(zhì)量改進。在質(zhì)量設(shè)計活動中，質(zhì)量4.0利用大數(shù)據(jù)技術(shù)更容易獲得顧客各種明示或潛在的需求，做到充分傾聽顧客的聲音。在質(zhì)量檢測活動中，質(zhì)量4.0擁有更強的質(zhì)量檢測能力：一是檢測的自動化程度、效率更高;二是檢測標(biāo)準(zhǔn)統(tǒng)一、檢測效果穩(wěn)定;三是可以基于缺陷數(shù)據(jù)進行智能分析，進而實施質(zhì)量追溯和工藝優(yōu)化。在質(zhì)量監(jiān)控活動中，質(zhì)量4.0可實現(xiàn)自動化、智能化的質(zhì)量監(jiān)控，按照預(yù)先設(shè)定的規(guī)則和流程對產(chǎn)品的過程及活動進行實時控制與調(diào)整。一方面可以節(jié)省人力資源，另一方面可提升質(zhì)量管理系統(tǒng)的整體可靠性［13］。在質(zhì)量預(yù)測活動中，質(zhì)量4.0可利用人工智能算法對質(zhì)量大數(shù)據(jù)進行分析，實現(xiàn)產(chǎn)品的質(zhì)量預(yù)測及設(shè)備的預(yù)測性維護，相比傳統(tǒng)統(tǒng)計預(yù)測方法預(yù)測結(jié)果更加精準(zhǔn)［14］。在質(zhì)量追溯活動中，質(zhì)量4.0可基于物聯(lián)網(wǎng)和大數(shù)據(jù)平臺等技術(shù)，長時間存儲、管理、應(yīng)用產(chǎn)品全生命周期的關(guān)鍵數(shù)據(jù)，高效、精準(zhǔn)地完成質(zhì)量問題追溯。在質(zhì)量改進活動中，質(zhì)量4.0可以基于質(zhì)量追溯結(jié)果進行工藝優(yōu)化和質(zhì)量改進，也可以為傳統(tǒng)質(zhì)量改進方法引入堅實的數(shù)據(jù)基礎(chǔ)，避免質(zhì)量管理過程過度依賴專家的主觀評價，增強質(zhì)量結(jié)果分析與質(zhì)量管理決策的客觀性［15］。

1.1.3 價值維

價值維表示質(zhì)量4.0是面向產(chǎn)品全價值鏈的質(zhì)量管理，包括產(chǎn)品全價值鏈中價值創(chuàng)造的核心環(huán)節(jié)，即產(chǎn)品的研發(fā)環(huán)節(jié)、生產(chǎn)環(huán)節(jié)、服務(wù)環(huán)節(jié)［16］。產(chǎn)品研發(fā)過程如需求分析、功能測試、產(chǎn)品迭代等非常依賴數(shù)據(jù)分析。質(zhì)量4.0除了可以確保產(chǎn)品研發(fā)人員高質(zhì)量地完成各項產(chǎn)品研發(fā)任務(wù)，還重視數(shù)據(jù)的質(zhì)量管理，確保產(chǎn)品研發(fā)過程有高質(zhì)量的數(shù)據(jù)基礎(chǔ)。質(zhì)量4.0非常重視制造過程的質(zhì)量提升，通過對產(chǎn)品質(zhì)量進行檢測、實時監(jiān)測及預(yù)測性分析，并基于分析結(jié)果不斷優(yōu)化制造過程，保持產(chǎn)品質(zhì)量水平的同時有效降低企業(yè)原材料及人力成本，在生產(chǎn)流程中為企業(yè)創(chuàng)造更多價值。此外，質(zhì)量4.0可有效提升服務(wù)質(zhì)量，例如通過智能問答系統(tǒng)提升產(chǎn)品售后服務(wù)質(zhì)量的同時減少客服人力成本，以及利用人工智能算法實時規(guī)劃產(chǎn)品物流配送路徑，以節(jié)省物流時間、提升客戶滿意度［17］。

1.2 質(zhì)量4.0關(guān)鍵技術(shù)

質(zhì)量4.0的實施需要一系列技術(shù)的支撐。一方面，機器學(xué)習(xí)和機器視覺技術(shù)［18］可以對質(zhì)量數(shù)據(jù)和圖像進行分析和處理，幫助快速識別缺陷和異常，進而實現(xiàn)智能質(zhì)量控制和預(yù)測。物聯(lián)網(wǎng)技術(shù)可以將傳感器和設(shè)備連接到互聯(lián)網(wǎng)，實現(xiàn)對生產(chǎn)過程中各個環(huán)節(jié)進行實時監(jiān)控，對設(shè)備的運行狀態(tài)和參數(shù)進行遠程控制，將不同設(shè)備、生產(chǎn)線以及生產(chǎn)數(shù)據(jù)進行連接和集成［19］。大數(shù)據(jù)平臺技術(shù)可以采集、分析和挖掘大規(guī)模數(shù)據(jù)，識別出質(zhì)量問題產(chǎn)生的原因和發(fā)展趨勢［20］。云計算能夠?qū)崿F(xiàn)數(shù)據(jù)的集中存儲和共享，而邊緣計算能夠?qū)崿F(xiàn)實時的數(shù)據(jù)處理和快速響應(yīng)，促進數(shù)字化和智能化轉(zhuǎn)型［21］。

另一方面，在質(zhì)量4.0環(huán)境下，企業(yè)的質(zhì)量管理實踐也面臨著轉(zhuǎn)型和升級的需求。無線通信技術(shù)可以促進企業(yè)內(nèi)部部門間的信息共享與協(xié)同，也可以加強企業(yè)與供應(yīng)鏈伙伴之間的協(xié)調(diào)與合作，從而提高整體供應(yīng)鏈的質(zhì)量管理水平。數(shù)字孿生技術(shù)能夠?qū)嶓w產(chǎn)品或系統(tǒng)的數(shù)字模型與其實時數(shù)據(jù)相連接，實現(xiàn)仿真和預(yù)測。通過可視化技術(shù)，質(zhì)量分析結(jié)果可以以圖表、圖形或可視化界面的形式進行智能展示，提供直觀的質(zhì)量信息，幫助決策者更好地理解和應(yīng)對問題。區(qū)塊鏈可以用于建立可信的質(zhì)量數(shù)據(jù)記錄和質(zhì)量溯源，提高質(zhì)量管理的可靠性和透明度。

基于以上原因，本文確定了質(zhì)量4.0的9項關(guān)鍵技術(shù)，分別是機器視覺、物聯(lián)網(wǎng)、大數(shù)據(jù)平臺、云計算與邊緣計算、機器學(xué)習(xí)、無線通信、區(qū)塊鏈、數(shù)字孿生以及可視化技術(shù)。

1.2.1 機器視覺

傳感器是一種物理設(shè)備，可以將環(huán)境變化轉(zhuǎn)化為數(shù)字信號，從而實現(xiàn)對環(huán)境信息的測量或感知。機器視覺技術(shù)是基于傳感器的一項綜合技術(shù)，其利用計算機模擬人的視覺功能獲得圖像后傳送給專用的圖像處理系統(tǒng)，實現(xiàn)目標(biāo)的檢測［17］。機器視覺技術(shù)可以利用圖像處理和模式識別算法檢測、分析、判斷制造過程中的缺陷，對裝配過程進行實時監(jiān)控和偏差預(yù)警與修正，進而提高生產(chǎn)效率，減少人為錯誤出現(xiàn)的概率，確保產(chǎn)品質(zhì)量的穩(wěn)定性。將環(huán)境變化轉(zhuǎn)化為數(shù)字輸出信號，從而實現(xiàn)對環(huán)境的測量與感知［18］。

1.2.2 物聯(lián)網(wǎng)

物聯(lián)網(wǎng)是一項網(wǎng)絡(luò)系統(tǒng)技術(shù)，通過利用感知技術(shù)和通信技術(shù)對物體進行遠程感知、識別、追蹤和處理，實現(xiàn)人、機器和物品之間的互聯(lián)互通。物聯(lián)網(wǎng)技術(shù)是智能制造背景下制造業(yè)的新基建，可幫助企業(yè)實現(xiàn)對質(zhì)量信息的全面感知、動態(tài)傳輸、實時分析和數(shù)據(jù)挖掘，在產(chǎn)品生產(chǎn)、制造、檢測及裝配過程中對質(zhì)量問題快速響應(yīng)，幫助質(zhì)量管理者及時識別追溯質(zhì)量問題，并消除質(zhì)量問題產(chǎn)生的根源［19］。

1.2.3 大數(shù)據(jù)平臺

大數(shù)據(jù)平臺技術(shù)是指用于管理、處理和分析大規(guī)模數(shù)據(jù)集的技術(shù)體系，旨在處理大規(guī)模、高速度和多樣化的數(shù)據(jù)。大數(shù)據(jù)平臺技術(shù)為質(zhì)量4.0提供一系列質(zhì)量數(shù)據(jù)服務(wù)，引導(dǎo)企業(yè)啟動數(shù)據(jù)梳理并用數(shù)據(jù)驅(qū)動質(zhì)量管理流程優(yōu)化，同時與可視化技術(shù)相結(jié)合，幫助質(zhì)量管理者更好地展示分析結(jié)果，拓展質(zhì)量與質(zhì)量管理的內(nèi)涵［20］。

1.2.4 云計算和邊緣計算

云計算通過將計算資源、存儲資源和網(wǎng)絡(luò)資源的虛擬化，提供靈活、便捷、可持續(xù)的方式獲取計算能力。邊緣計算技術(shù)是通過在靠近現(xiàn)場的網(wǎng)絡(luò)邊緣側(cè)運行處理、分析等操作，就近提供邊緣智能服務(wù)。云計算與邊緣計算的協(xié)同可有效對海量的質(zhì)量數(shù)據(jù)進行處理、分析與計算，緩解云端計算壓力，產(chǎn)生更及時的網(wǎng)絡(luò)服務(wù)響應(yīng)，幫助企業(yè)建立對產(chǎn)品的快速反應(yīng)機制，滿足敏捷連接、實時業(yè)務(wù)等方面的需求［21］。

1.2.5 機器學(xué)習(xí)

機器學(xué)習(xí)是指計算機通過模擬人類學(xué)習(xí)活動，發(fā)現(xiàn)數(shù)據(jù)中的內(nèi)在規(guī)律，從而獲取新的知識與技能，并且可以實現(xiàn)自身的不斷完善［22］。機器學(xué)習(xí)可應(yīng)用于產(chǎn)品外觀缺陷檢測、焊接質(zhì)量檢測、實時質(zhì)量監(jiān)控等質(zhì)量管理活動，通過對海量的質(zhì)量數(shù)據(jù)提取數(shù)據(jù)特征，完成對質(zhì)量數(shù)據(jù)的分析。此外，機器學(xué)習(xí)可與其他技術(shù)相結(jié)合;如自然語言、知識圖譜、計算機視覺、數(shù)字孿生等技術(shù)都會用到機器學(xué)習(xí)。隨著機器學(xué)習(xí)等人工智能技術(shù)的普及運用，智能制造質(zhì)量管理中存在的模型運算難度大、數(shù)據(jù)處理速度慢等問題將得到有效解決［23］。

1.2.6 無線通信

以5G技術(shù)為主的無線通信技術(shù)是質(zhì)量4.0體系實現(xiàn)全面連接的基礎(chǔ)，具有海量連接、可靠高、時延低等特點［24］。5G技術(shù)可以加快海量質(zhì)量數(shù)據(jù)上傳速度，確保質(zhì)量數(shù)據(jù)傳輸?shù)募皶r性，提高質(zhì)量管理效率，其相關(guān)的硬件與軟件技術(shù)已經(jīng)成為工業(yè)互聯(lián)網(wǎng)與智能制造時代的新基建［25］。

1.2.7 區(qū)塊鏈

區(qū)塊鏈?zhǔn)且环N去中心化的分布式網(wǎng)絡(luò)數(shù)據(jù)管理技術(shù)，允許多個參與方在沒有中間機構(gòu)的情況下進行可靠的數(shù)據(jù)共享。通過區(qū)塊鏈的加密算法、訪問控制、隱私保護、入侵檢測等技術(shù)，可以保障企業(yè)內(nèi)部質(zhì)量數(shù)據(jù)共享的安全性，有效解決企業(yè)對質(zhì)量數(shù)據(jù)的控制權(quán)問題，并利用區(qū)塊鏈分布式的特點將其應(yīng)用于不同產(chǎn)業(yè)之間的數(shù)據(jù)上傳，促進產(chǎn)業(yè)鏈的協(xié)同質(zhì)量管理［26-27］。

1.2.8 數(shù)字孿生

數(shù)字孿生是制造技術(shù)、信息技術(shù)、融合性技術(shù)等交織融合的產(chǎn)物，是一種先進的仿真模擬技術(shù)。數(shù)字孿生技術(shù)利用數(shù)字模型和實際物理實體之間的實時互聯(lián)，對制造系統(tǒng)、產(chǎn)品以及產(chǎn)品裝配過程的行為進行虛擬鏡像或仿真，實現(xiàn)實時生產(chǎn)管理、設(shè)備故障檢測和維護預(yù)測分析。這樣的技術(shù)能夠在質(zhì)量管理活動中提供物理設(shè)備的完美虛擬映射［28］。

1.2.9 可視化技術(shù)

可視化技術(shù)是使用圖形、圖像、動畫、交互等方式將數(shù)據(jù)、信息或概念轉(zhuǎn)化為可視化形式，從而提升用戶獲取信息能力的技術(shù)。在質(zhì)量4.0全流程中，不僅可以通過可視化技術(shù)對質(zhì)量數(shù)據(jù)、質(zhì)量分析結(jié)果進行智能展示，實現(xiàn)質(zhì)量管理活動全流程的實時監(jiān)測，同時也可以將可視化技術(shù)與其他技術(shù)相結(jié)合，如知識圖譜可視化［29］，構(gòu)建整體質(zhì)量視角，使得管理者能夠以整體的視角來審視制造過程中的問題和挑戰(zhàn)，做出相應(yīng)的調(diào)整和改善。

2 基于質(zhì)量4.0的PCB缺陷檢測

2.1 PCB缺陷檢測現(xiàn)狀

作為電子產(chǎn)品的核心組件之一，PCB的質(zhì)量直接影響著電子產(chǎn)品的性能和使用壽命。隨著科技的不斷進步和市場對更高性能電子產(chǎn)品的需求涌現(xiàn)，產(chǎn)品智能化的趨勢日益明顯，這也使得PCB的設(shè)計和布線變得越來越復(fù)雜。

目前，在工業(yè)生產(chǎn)中所用到的檢測方式有人工目視、功能測試、自動化視覺檢測（automatic visual inspection，AVI）等方法。人工目視法，即操作人員利用顯微鏡等設(shè)備人工觀察PCB，找出缺陷問題。這種方法對操作人員經(jīng)驗要求很高，且容易出現(xiàn)誤檢、漏檢等問題。功能測試法通過測試PCB是否能實現(xiàn)預(yù)設(shè)功能來判斷故障是否存在。這種方法依賴于生產(chǎn)線上的專業(yè)檢測設(shè)備，成本較高。AVI法通過機器視覺裝置將拍攝目標(biāo)轉(zhuǎn)換成圖像信號，再由圖像處理系統(tǒng)轉(zhuǎn)變成數(shù)字化信號抽取特征進行運算，最終對拍攝結(jié)果做出判斷。目前，AVI檢測因成本低、效率高，成為PCB制造業(yè)主流的缺陷檢測方法［30］。

通常，PCB缺陷檢測流程如圖2所示，具體包括以下步驟。

步驟 1

PCB成品板經(jīng)過所有前道工序，進入終檢環(huán)節(jié)。

步驟 2

通過AVI檢測機臺對PCB成品板進行成像，經(jīng)過基于灰度計算的傳統(tǒng)視覺算法比對，產(chǎn)生PCB板外觀缺陷圖片。

步驟 3

檢驗員基于缺陷圖片對PCB板進行目檢復(fù)判，對于可修復(fù)的缺陷進行修復(fù)，對于不重要的缺陷作允收處理，對于存在重大缺陷的PCB板作報廢處理。

步驟 4

將缺陷類型與缺陷數(shù)量統(tǒng)計分析，匯報前站，進行質(zhì)量追溯與工藝優(yōu)化。

目前，PCB缺陷檢測流程存在三大痛點問題。第一，為了保證極低的漏檢率，基于灰度計算的傳統(tǒng)視覺算法對于缺陷的識別往往非常嚴(yán)格，因此在檢測的過程中會產(chǎn)生大量的假缺陷點，導(dǎo)致人工復(fù)判的工作量非常大。第二，對于缺陷的修復(fù)、允收、報廢處理存在理論上的標(biāo)準(zhǔn)，但落地解決方法非常依賴人工經(jīng)驗。工人的經(jīng)驗得不到有效整理與記錄，容易流失，最終影響產(chǎn)品故障的解決效率。第三，缺陷的統(tǒng)計需要靠人手動記錄，缺陷分析過程會受到質(zhì)量管理者主觀判斷的影響［31］。

2.2 基于質(zhì)量4.0的PCB智能缺陷檢測方案

為解決當(dāng)前PCB缺陷檢測流程中存在的問題，本文基于質(zhì)量4.0理論，提出PCB智能缺陷檢測方案。方案分為PCB缺陷數(shù)據(jù)獲取、缺陷識別以及質(zhì)量問題追溯3個部分。該方案存在兩類輸入，一是通過AVI平臺獲取PCB圖像作為輸入，由PCB缺陷識別系統(tǒng)判斷并輸出缺陷信息。二是PCB缺陷識別系統(tǒng)的判斷結(jié)果作為智能問答系統(tǒng)的輸入，通過缺陷知識圖譜查詢或推理獲取解決方法，最終由智能問答系統(tǒng)組織語言，通過可視化界面輸出。三是用戶向智能問答系統(tǒng)發(fā)出提問作為輸入，智能問答系統(tǒng)識別自然語言問題，通過PCB缺陷智能識別系統(tǒng)判斷得到缺陷信息，再由知識圖譜獲得解決方法，通過智能問答系統(tǒng)的可視化界面完成輸出?；谫|(zhì)量4.0的PCB智能缺陷檢測方案結(jié)構(gòu)如圖3所示。

2.2.1 PCB缺陷數(shù)據(jù)獲取

PCB經(jīng)過所有前道工序后，作為待檢成品板進入成檢車間。由AVI檢測機臺拍攝PCB照片，通過與模版圖比對獲取PCB缺陷數(shù)據(jù)，并進行人工復(fù)判構(gòu)建PCB缺陷數(shù)據(jù)集。具體步驟如下。

步驟 1

傳統(tǒng)視覺算法參數(shù)調(diào)整。Gerber文件是由Gerber公司所制定，最初用于該公司生產(chǎn)的光學(xué)繪圖機的文件格式因其適應(yīng)電子行業(yè)需求而得到廣泛應(yīng)用，并逐漸發(fā)展成為美國電子工業(yè)協(xié)會（Electronic Industries Alliance， EIA）標(biāo)準(zhǔn)的光繪格式文件。在生產(chǎn)制造環(huán)節(jié)中，相關(guān)部門根據(jù)用戶或企業(yè)設(shè)計部門所提供的Gerber文件進行生產(chǎn)。在質(zhì)量檢測環(huán)節(jié)中，可將待檢PCB板型的Gerber文件導(dǎo)入AVI檢測機臺進行解析，獲取該板型的表層位置信息（例如焊盤、油墨、軟板、板邊、孔等），并基于該板型的良品板掃描結(jié)果，對PCB表面不同位置區(qū)域的顏色參數(shù)進行調(diào)整，生成Gerber模版圖，用于缺陷對比分析［32］。

步驟 2

PCB缺陷數(shù)據(jù)集構(gòu)建。AVI作為一項機器視覺技術(shù)，其機臺配有專業(yè)電荷耦合器件（charge coupled device， CCD）工業(yè)相機清晰拍攝PCB，將成像圖與Gerber模版圖進行比對，基于傳統(tǒng)視覺算法，確定待檢PCB上的缺陷位置（缺陷報點坐標(biāo)及缺陷所處位置區(qū)域）和缺陷大小，輸出缺陷報點信息文件。由于此環(huán)節(jié)需要確保幾乎零漏檢，因此在步驟1中對傳統(tǒng)視覺算法設(shè)置的非常嚴(yán)格，這也導(dǎo)致缺陷報點信息文件中存在大量的虛假缺陷點，或符合允收規(guī)則的缺陷點，俗稱“假點”?；趫簏c坐標(biāo)，對PCB圖像上的缺陷進行裁切，形成缺陷小圖。其次，由人工對大量AVI報點圖片進行復(fù)判，從中選取一部分缺陷數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。訓(xùn)練集和測試集均需要盡量覆蓋所有缺陷類型及缺陷形態(tài)，且不同類型下不同形態(tài)的數(shù)據(jù)量盡可能均衡。所構(gòu)建的數(shù)據(jù)集可存儲在大數(shù)據(jù)平臺當(dāng)中，并通過5G技術(shù)與物聯(lián)網(wǎng)技術(shù)上傳至邊緣服務(wù)器與云服務(wù)器［33］。

2.2.2 PCB缺陷識別

將PCB缺陷數(shù)據(jù)獲取所得到的數(shù)據(jù)集上傳到云服務(wù)器，對PCB智能檢測模型進行訓(xùn)練，使用測試數(shù)據(jù)集進行測試，若模型通過測試，則上線投入使用，反之則繼續(xù)進行迭代訓(xùn)練，最終實現(xiàn)通過PCB照片便可精準(zhǔn)判斷缺陷類型。具體步驟如下。

步驟 1

PCB缺陷識別模型訓(xùn)練。本文在機器視覺與深度學(xué)習(xí)的基礎(chǔ)上構(gòu)建PCB缺陷識別模型［34］。首先訓(xùn)練集通過標(biāo)注之后對模型進行訓(xùn)練，依據(jù)正負(fù)樣本的概率得到預(yù)測結(jié)果。由于模型訓(xùn)練占用大量算力資源，因此模型訓(xùn)練過程發(fā)生在企業(yè)的私有云服務(wù)器集群內(nèi)，而應(yīng)用模型推理過程發(fā)生在產(chǎn)線的邊緣服務(wù)器集群內(nèi)。

步驟 2

模型迭代與上線。模型訓(xùn)練完成后，用測試數(shù)據(jù)集對其測試，若模型滿足指標(biāo)要求，則可保存后上線繼續(xù)測試;若上線后一段時間內(nèi)，依然滿足指標(biāo)要求，則可正式投入生產(chǎn)過程使用。若無法通過測試集測試環(huán)節(jié)，或無法通過上線后的持續(xù)測試，則需要對訓(xùn)練集、測試集、模型及檢出策略進行迭代。迭代方式包括補充數(shù)據(jù)、訓(xùn)練集標(biāo)注復(fù)核、更改模型編排、更改缺陷允收處理規(guī)則等等［35］。

步驟 3

模型推理結(jié)果展示、統(tǒng)計及分析。由AVI機臺產(chǎn)生的缺陷圖片，經(jīng)過模型的推理后，在客戶端顯示推理結(jié)果，包含過濾掉的假點圖片和檢出的真實缺陷圖片。缺陷圖片內(nèi)顯示缺陷的位置、輪廓與缺陷類型，由一線質(zhì)量管理人員對照缺陷圖片進行PCB板的檢修。

2.2.3 PCB質(zhì)量問題追溯

PCB質(zhì)量問題的追溯主要通過構(gòu)建PCB缺陷知識圖譜實現(xiàn)，PCB缺陷知識圖譜可以將不同缺陷與其產(chǎn)生的具體原因、檢測方法和修復(fù)措施進行關(guān)聯(lián)。當(dāng)出現(xiàn)質(zhì)量問題時，可通過知識圖譜的查詢和分析功能，追溯具體缺陷的原因，并根據(jù)PCB缺陷數(shù)據(jù)情況推薦對應(yīng)的缺陷改進方法，幫助企業(yè)完成對PCB缺陷數(shù)據(jù)以及相關(guān)經(jīng)驗的積累，書寫企業(yè)內(nèi)部質(zhì)量管理的“百科全書”，輔助質(zhì)量管理決策。

知識圖譜旨在描述實體及其關(guān)系，從而構(gòu)成語義網(wǎng)絡(luò)圖［36］。所構(gòu)建的PCB缺陷知識圖譜屬于領(lǐng)域知識圖譜。首先，將PCB缺陷相關(guān)數(shù)據(jù)結(jié)構(gòu)化，進行知識表示。其次，對PCB缺陷數(shù)據(jù)進行知識融合，消除冗余。再者，將整理后的數(shù)據(jù)作為數(shù)據(jù)訓(xùn)練集對知識推理模型進行關(guān)系推理訓(xùn)練。最后，將知識推理模型與PCB智能檢測模型進行關(guān)聯(lián)，實現(xiàn)通過獲取PCB缺陷圖像數(shù)據(jù)便可獲取解決方法。

考慮到PCB缺陷數(shù)據(jù)的結(jié)構(gòu)和特征，本文采用自底向上的方式構(gòu)建知識圖譜。具體步驟如下。

步驟 1

知識表示與抽取。構(gòu)建PCB缺陷知識圖譜時需要處理大量缺陷數(shù)據(jù)，這些數(shù)據(jù)可以根據(jù)結(jié)構(gòu)類型劃分為結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。PCB缺陷數(shù)據(jù)來源主要有三個部分：第一，來源于上述PCB智能缺陷檢測模型中所建立的PCB缺陷數(shù)據(jù)集。第二，來源于企業(yè)內(nèi)部近年的PCB缺陷維修報告，包含PCB缺陷信息以及歷史維修經(jīng)驗。第三，來源于網(wǎng)絡(luò)的與PCB缺陷相關(guān)的開源數(shù)據(jù)。在海量的PCB缺陷數(shù)據(jù)中，從型號、缺陷部位、缺陷類型、缺陷面積、缺陷數(shù)量、缺陷原因以及維修方法入手，提煉出實體-關(guān)系-屬性作為事實的表達方式，將數(shù)據(jù)轉(zhuǎn)化為知識，并以三元組的方式存儲，方便后續(xù)的檢索和診斷。

構(gòu)建PCB缺陷知識圖譜的過程中，不同結(jié)構(gòu)的數(shù)據(jù)需要采用不同的知識抽取技術(shù)，以便有效地提取和組織相關(guān)知識［37］。對于表格數(shù)據(jù)、關(guān)系數(shù)據(jù)庫等結(jié)構(gòu)化數(shù)據(jù)，可以應(yīng)用規(guī)則和模式挖掘技術(shù)，發(fā)現(xiàn)結(jié)構(gòu)化數(shù)據(jù)中存在的規(guī)律和模式，建立關(guān)系型數(shù)據(jù)庫與三元組的對應(yīng)關(guān)系。對于非結(jié)構(gòu)化數(shù)據(jù)，如由工作人員手工填寫的PCB缺陷維修報告以及網(wǎng)絡(luò)中的相關(guān)開源數(shù)據(jù)，可采用雙向長短期記憶（bi-directional long-short term memory， BiLSTM）網(wǎng)絡(luò)和條件隨機場（conditional random field， CRF）結(jié)合的神經(jīng)網(wǎng)絡(luò)模型完成實體抽取，即通過BERT（bidirectional encoder representation from transformers）表征詞向量，利用BiLSTM層對數(shù)據(jù)進行處理，抽取上下文特征，并將其轉(zhuǎn)化為特征矩陣的形式，最后由CRF模型對特征矩陣進行訓(xùn)練，以生成最優(yōu)標(biāo)簽序列，構(gòu)建數(shù)據(jù)集［38］。

步驟 2

知識融合。PCB缺陷數(shù)據(jù)來源多樣，存在數(shù)據(jù)冗余的現(xiàn)象。為實現(xiàn)知識融合，可以對不同來源和形式的數(shù)據(jù)進行清洗、預(yù)處理、實體對消歧、關(guān)系合并和屬性合并，以形成更具價值和應(yīng)用性的知識體系。對于與PCB缺陷無關(guān)的無效信息，通過設(shè)置停用詞表來過濾不相干數(shù)據(jù);對于相似表達，通過比較實體之間的特征、屬性或其他關(guān)聯(lián)信息。確定彼此的相似性，進行對齊和整合［39］。

步驟 3

知識推理是一種基于豐富的實體與其關(guān)系數(shù)據(jù)進行學(xué)習(xí)總結(jié)的重要工具，其目的在于通過邏輯和推理規(guī)則從已有的知識中推導(dǎo)出新的結(jié)論或信息。推理的有效性和準(zhǔn)確性取決于已有的知識和規(guī)則，即數(shù)據(jù)量越大，推理的準(zhǔn)確率也會相應(yīng)提高。但是，企業(yè)內(nèi)部的PCB缺陷知識推理屬于小樣本問題。針對此問題，可采用基于深度學(xué)習(xí)的混合協(xié)同過濾模型作為知識推理模型進行實體間的關(guān)系推理，構(gòu)建完整的三元組。當(dāng)AVI檢測機臺反饋的PCB缺陷信息或智能問答系統(tǒng)捕捉的關(guān)鍵問題不在歷史數(shù)據(jù)中時，通過知識推理模型對解決方法進行推理，輔助決策判定，縮短決策時間。另外，可以通過協(xié)調(diào)器將知識推理模型與PCB智能缺陷檢測模型實現(xiàn)交互，兩者共同完成推斷任務(wù)［40-41］。

步驟 4

知識圖譜與用戶交互。通過知識圖譜與自然語言處理技術(shù)結(jié)合構(gòu)建的智能問答系統(tǒng)，可以實現(xiàn)知識圖譜與用戶之間的智能交互。智能問答系統(tǒng)首先利用自然語言技術(shù)識別用戶問題;其次構(gòu)建查詢語句在知識圖譜中查詢解決方法;最后組織答案并通過可視化界面將解答反饋給提問者［42］，解決缺陷問題，同時也可將數(shù)據(jù)分析結(jié)果反饋給質(zhì)量參數(shù)設(shè)計相關(guān)人員，幫助產(chǎn)品在質(zhì)量設(shè)計環(huán)節(jié)得到提升。智能問答系統(tǒng)結(jié)構(gòu)如圖4所示。

2.3 檢測方案的評價標(biāo)準(zhǔn)

為評價基于質(zhì)量4.0的PCB智能缺陷檢測方案，本文確定了漏檢率、過檢率、錯檢率、產(chǎn)品良率和響應(yīng)率5個關(guān)鍵評價標(biāo)準(zhǔn)。

2.3.1 漏檢率

漏檢率即被過濾的缺陷圖片數(shù)量/總圖片數(shù)量×100%。漏檢指PCB缺陷識別系統(tǒng)未檢測到缺陷，將缺陷圖片當(dāng)作假點，從而被人工智能模型過濾的情況。由于在最終通過驗證后的檢測流程下，模型過濾掉的假點是不需要質(zhì)量管理人員進行復(fù)判的，一旦有真的缺陷沒有被人工智能模型檢出而是被過濾掉，將跟隨產(chǎn)品流向供應(yīng)鏈下游，降低出口產(chǎn)品的良率，增加客訴與罰款風(fēng)險。因此，模型漏檢率要穩(wěn)定控制在一個極低的水平，且必須低于全人工復(fù)判時產(chǎn)生的漏檢率。

2.3.2 過檢率

過檢率即被檢出的無缺陷圖片數(shù)量/AVI總圖片數(shù)量×100%。過檢指人工智能模型將沒有缺陷的圖片當(dāng)作缺陷圖片，這種情況的出現(xiàn)是因為操作人員為了降低漏檢率，將缺陷的檢出閾值調(diào)整得很低，從而讓過檢圖片內(nèi)原本不太顯著的缺陷類型達到了檢出標(biāo)準(zhǔn)。過檢率偏高不會影響出口產(chǎn)品的良率，但會為質(zhì)量管理人員增加大量的工作負(fù)擔(dān)，降低人工檢修效率。因此，模型需要在保證極低漏檢率的前提下，盡量減少過檢圖片的數(shù)量，從質(zhì)量管理的業(yè)務(wù)流程中為企業(yè)降低人力成本。

2.3.3 錯檢率

錯檢率即按照錯誤缺陷類型檢出的圖片數(shù)量/總?cè)毕輬D片數(shù)量×100%。錯檢指將圖片中的缺陷檢出，但顯示為其他缺陷類型，通常是因為在訓(xùn)練集中存在標(biāo)注上的錯誤，導(dǎo)致人工智能模型產(chǎn)生缺陷類型的混淆。錯檢不會影響漏檢率和過檢率，但會導(dǎo)致缺陷統(tǒng)計數(shù)據(jù)的偏差，影響質(zhì)量追溯和質(zhì)量改進等質(zhì)量管理活動。因此，需要在訓(xùn)練集數(shù)據(jù)質(zhì)量上嚴(yán)格把控，并且設(shè)定嚴(yán)密的檢出策略，從而確保人工智能模型能將每個缺陷的類型以一個高置信度水平精準(zhǔn)識別。

2.3.4 產(chǎn)品良率

產(chǎn)品良率即下游客戶認(rèn)定的良品數(shù)量/總出廠產(chǎn)品數(shù)量×100%。智能化的缺陷識別、缺陷分類與缺陷統(tǒng)計分析，為PCB缺陷的處理提供了堅實的數(shù)據(jù)基礎(chǔ)，其最終目標(biāo)是實現(xiàn)質(zhì)量改進和工藝優(yōu)化。因此，產(chǎn)品良率提升的水平是衡量PCB智能缺陷檢測方案成效的重要指標(biāo)。

2.3.5 響應(yīng)率

響應(yīng)率即單位時間解決缺陷問題數(shù)量/單位時間提出缺陷問題數(shù)量×100%。所提出的PCB智能缺陷檢測方案不僅可以精確檢測缺陷信息，并且可以通過知識圖譜給出相應(yīng)的解決方法，做出響應(yīng)。同時，對于故障缺陷的響應(yīng)速度也體現(xiàn)了企業(yè)的應(yīng)變能力，因此提出響應(yīng)率作為衡量方案的整體優(yōu)化能力的關(guān)鍵指標(biāo)之一。

2.4 應(yīng)用案例

在大力支持智能制造行業(yè)發(fā)展的背景下，部分公司已從戰(zhàn)略層面加強新一代信息技術(shù)在質(zhì)量檢測領(lǐng)域中的投入和研究，實現(xiàn)了質(zhì)量4.0在經(jīng)濟和社會領(lǐng)域的應(yīng)用。

目前，一些半導(dǎo)體企業(yè)已將提出的智能缺陷檢測方案應(yīng)用于PCB檢測項目。方案首先通過行業(yè)領(lǐng)先的光學(xué)技術(shù)對PCB表面進行拍攝、采集圖像。其次，針對PCB制造的檢測問題推出定制算法，搭建基于機器視覺和深度學(xué)習(xí)的PCB缺陷識別模型，對PCB面積估計、缺陷定位、顏色判定和尺寸估計等缺陷的判定進行確認(rèn)，過濾誤報假點，檢測出真正的缺陷。此外，利用基于BiLSTM-CRF的基礎(chǔ)模型實現(xiàn)PCB缺陷知識圖譜以及智能問答系統(tǒng)的搭建，為工人掌握專業(yè)檢測技能提供學(xué)習(xí)和培訓(xùn)平臺，為缺陷管理和控制提供指導(dǎo)。最后，建立完整的數(shù)據(jù)體系和信息共享機制，采用集群部署、集中管理的方式實現(xiàn)數(shù)據(jù)集中管理，并基于大數(shù)據(jù)分析和機器學(xué)習(xí)算法充分挖掘數(shù)據(jù)價值，實現(xiàn)對PCB質(zhì)量的準(zhǔn)確判斷，指導(dǎo)工藝缺陷的挖掘、定位、改進，助力PCB質(zhì)量回溯和生產(chǎn)改善，賦能產(chǎn)業(yè)轉(zhuǎn)型升級。

方案支持20余種關(guān)鍵性缺陷細分類任務(wù)，實現(xiàn)了缺陷漏檢率小于0.01%，過檢率小于1%，錯檢率小于5%，產(chǎn)品良率提升5%～6%，支撐80余機臺1 000 000次/小時圖片檢測請求，人力成本節(jié)省約80%。此外，該方案不僅可以應(yīng)用于PCB缺陷檢測領(lǐng)域，也為其他制造業(yè)產(chǎn)品缺陷處理提供參考，如液晶面板缺陷檢測分析、太陽能電池表面缺陷分析等。構(gòu)建的基于質(zhì)量4.0的PCB智能缺陷檢測方案能夠有效為質(zhì)檢工人減負(fù)，將其從重復(fù)繁瑣的工作中解放出來，轉(zhuǎn)移到更有價值的工作中。

3 結(jié) 論

本文基于質(zhì)量4.0理論模型及關(guān)鍵技術(shù)開展了質(zhì)量4.0環(huán)境下智能質(zhì)量管理的應(yīng)用研究。首先，對于質(zhì)量4.0的定義、理論模型及其關(guān)鍵技術(shù)進行介紹。其次，以質(zhì)量4.0理念為基礎(chǔ)，針對PCB檢驗流程現(xiàn)狀，從缺陷數(shù)據(jù)獲取、缺陷識別以及質(zhì)量問題追溯3個模塊的設(shè)計入手，制定PCB智能缺陷檢測方案。此外，方案以漏檢率、過檢率、錯檢率、產(chǎn)品良率以及響應(yīng)率作為評價標(biāo)準(zhǔn)來檢驗檢測方案的有效性。最后，以某半導(dǎo)體企業(yè)為案例，驗證了PCB智能缺陷檢測方案的可行性。結(jié)果顯示，方案最終可以實現(xiàn)：① 假點過濾，減少質(zhì)量管理人員的工作量，降低人力成本;② 缺陷智能化檢測、分類、統(tǒng)計與分析，為開展質(zhì)量預(yù)測、追溯、改進等質(zhì)量管理活動提供準(zhǔn)確客觀的數(shù)據(jù);③ 缺陷解決處理效率提升，產(chǎn)品良率進一步提升，出口產(chǎn)品質(zhì)量水平更加穩(wěn)定，最終提高客戶的滿意度。

參考文獻

［1］ LU Y. Industry 4.0： a survey on technologies， applications and open research issues［J］. Journal of Industrial Information Integration， 2017， 6： 1-10.

［2］ 劉虎沉， 王鶴鳴， 施華， 等. 質(zhì)量4.0： 概念、基礎(chǔ)架構(gòu)及關(guān)鍵技術(shù)［J］. 科技導(dǎo)報， 2023， 41（11）： 6-18.

LIU H C， WANG H M， SHI H， et al. Quality 4.0： concepts， basic architecture， and key technologies［J］. Science amp; Technology Review， 2023， 41（11）： 6-18.

［3］ 周濟. 智能制造——“中國制造2025”的主攻方向［J］. 中國機械工程， 2015， 26（17）： 2273-2284.

ZHOU J. Intelligent manufacturing——main direction of “made in China 2025”［J］. China Mechanical Engineering， 2015， 26（17）： 2273-2284.

［4］ SU D， ZHANG L J， PENG H， et al. Technical challenges of blockchain technology for sustainable manufacturing paradigm in Industry 4.0 era using a fuzzy decision support system［J］. Technological Forecasting and Social Change， 2023， 188： 122275.

［5］ 劉虎沉， 王鶴鳴， 施華. 智能質(zhì)量管理： 理論模型、關(guān)鍵技術(shù)與研究展望［J］. 中國管理科學(xué)， 2024， 32（3）： 287-298.

LIU H C， WANG H M， SHI H. Intelligent quality management： theoretical framework， key technologies， and research prospect［J］. Chinese Journal of Management Science， 2024， 32（3）： 287-298.

［6］ SADER S， HUSTI I， DAROCZI M. A review of quality 4.0： definitions， features， technologies， applications， and challenges［J］. Total Quality Management amp; Business Excellence， 2022， 33（9/10）： 1164-1182.

［7］ THEKKOOTE R. Enabler toward successful implementation of Quality 4.0 in digital transformation era： a comprehensive review and future research agenda［J］. International Journal of Quality amp; Reliability Management， 2022， 39（6）： 1368-1384.

［8］ LIU H C， LIU R， GU X， et al. From total quality management to Quality 4.0： a systematic literature review and future research agenda［J］. Frontiers of Engineering Management， 2023， 10（2）： 191-205.

［9］ 何驍， 周波， 沈江華， 等. 國內(nèi)印制電路板產(chǎn)品失效現(xiàn)狀與改進［J］. 印制電路信息， 2023， 31（4）： 55-60.

HE X， ZHOU B， SHEN J H， et al. Failure status of domestic PCB products and suggestions for improvement［J］. Printed Circuit Information， 2023， 31（4）： 55-60.

［10］ 庹冰， 黃麗雯， 唐鑫， 等. 基于YOLOX-WSC的PCB缺陷檢測算法研究［J］. 計算機工程與應(yīng)用， 2023， 59（10）： 236 -243.

TUO B， HUANG L W， TANG X， et al. Research on PCB defect detection algorithm based on YOLOX-WSC［J］. Computer Engineering and Applications， 2023， 59（10）： 236 -243.

［11］ DIAS A M， CARVALHO A M， SAMPAIO P. Quality 4.0： literature review analysis， definition and impacts of the digital transformation process on quality［J］. International Journal of Quality amp; Reliability Management， 2022， 39（6）： 1312-1335.

［12］ YIN S， DING S X， XIE X， et al. A review on basic data-driven approaches for industrial process monitoring［J］. IEEE Trans.on Industrial Electronics， 2014， 61（11）： 6418-28.

［13］ HU J W， CHEN P. Predictive maintenance of systems subject to hard failure based on proportional hazards model［J］. Reliability Engineering amp; System Safety， 2020， 196： 106707.

［14］ ZHANG Y， HUANG Y， SHAO W J， et al. Research on MCVE piston machining and process parameter optimization［J］. The International Journal of Advanced Manufacturing Technology， 2017， 93（9）： 3955-3966.

［15］ PRASHAR A. Quality management in industry 4.0 environment： a morphological analysis and research agenda［J］. International Journal of Quality amp; Reliability Management， 2023， 40（3）： 863-885.

［16］ 薛塬， 臧冀原， 孔德婧， 等. 面向智能制造的產(chǎn)業(yè)模式演變與創(chuàng)新應(yīng)用［J］. 機械工程學(xué)報， 2022， 58（18）： 303-318.

XUE Y， ZANG J Y， KONG D J， et al. Evolution and innovative implementation of industrial model for intelligent manufacturing［J］. Journal of Mechanical Engineering， 2022， 58（18）： 303-318.

［17］ LIU Y K， GUO L， GAO H L， et al. Machine vision-based condition monitoring and fault diagnosis of machine tools using information from machined surface texture： a review［J］. Mechanical Systems and Signal Processing， 2022， 164： 108068.

［18］ TAN H， VAN-DIJKEN S. Dynamic machine vision with retinomorphic photomemristor-reservoir computing［J］. Nature Communications， 2023， 14（1）： 2169.

［19］ JIANG P Y， CAO W. An RFID-driven graphical formalized deduction for describing the time-sensitive state and position changes of work-in-progress material flows in a job-shop floor［J］. Journal of Manufacturing Science and Engineering， 2013， 135（3）： 031009.

［20］ 任明侖， 宋月麗. 大數(shù)據(jù)： 數(shù)據(jù)驅(qū)動的過程質(zhì)量控制與改進新視角［J］. 計算機集成制造系統(tǒng)， 2019， 25（11）： 2731-2742.

REN M L， SONG Y L. Big data： new perspective of process quality control and improvement driven by data［J］. Computer Integrated Manufacturing Systems， 2019， 25（11）： 2731-2742.

［21］ XIANG Q， XU L， LIU B， et al. Processing anomaly detection based on rough set and support vector machine［J］. Computer Integrated Manufacturing Systems， 2015， 21（9）： 2467-2474.

［22］ JORDAN M I， MITCHELL T M. Machine learning： trends， perspectives， and prospects［J］. Science， 2015， 349（6245）： 255-260.

［23］ HABBAB F Z， KAMPOURIDIS M. An in-depth investigation of five machine learning algorithms for optimizing mixed-asset portfolios including REITs［J］. Expert Systems with Applications， 2024， 235： 121102.

［24］ XU L D， WANG C， BI Z， et al. AutoAssem： an automated assembly planning system for complex products［J］. IEEE Trans.on Industrial Informatics， 2012， 8（3）： 669-678.

［25］ HU S， YU B， QIAN C， et al. Nonorthogonal interleave-grid multiple access scheme for industrial internet of things in 5G network［J］. IEEE Trans.on Industrial Informatics， 2018， 14（12）： 5436-5446.

［26］ CHEN J X， WANG W， ZHOU Y C， et al. Exploiting 5G and blockchain for medical applications of drones［J］. IEEE Network， 2021， 35（1）： 30-36.

［27］ BHASKAR P， TIWARI C K， JOSHI A. Blockchain in education management： present and future applications［J］. Interactive Technology and Smart Education， 2021， 18（1）： 1-17.

［28］ KAEWUNRUEN S， LIAN Q. Digital twin aided sustainability-based lifecycle management for railway turnout systems［J］. Journal of Cleaner Production， 2019， 228： 1537-1551.

［29］ TANG W Q， YANG Z W， SONG Y Z. Selective interactive networks with knowledge graphs for image classification［J］. Knowledge-Based Systems， 2023， 278： 110889.

［30］ SINGH S A， DESAI K A. Automated surface defect detection framework using machine vision and convolutional neural networks［J］. Journal of Intelligent Manufacturing， 2023， 34： 1995-2011.

［31］ MALGE P. PCB defect detection， classification and localization using mathematical morphology and image processing tools［J］. International Journal of Computer Applications， 2014， 87（9）： 40-45.

［32］ WANG C C， JIANG B C， LIN J Y， et al. Machine vision-based defect detection in IC images using the partial information correlation coefficient［J］. IEEE Trans.on Semiconductor Manufacturing， 2013， 26（3）： 378-384.

［33］ MCGUINNESS B， DUKE M， AU C K， et al. Measuring radiata pine seedling morphological features using a machine vision system［J］. Computers and Electronics in Agriculture， 2021， 189： 106355.

［34］ HASSAN F U， NGUYEN T， LE T， et al. Automated prioritization of construction project requirements using machine learning and fuzzy failure mode and effects analysis （FMEA）［J］. Automation in Construction， 2023， 154： 105013.

［35］ LUCCHI A， SMITH K， ACHANTA R， et al. Supervoxel-based segmentation of mitochondria in EM image stacks with learned shape features［J］. IEEE Trans.on Medical Imaging， 2012， 31： 474-486.

［36］ 馬玉鳳， 向南， 豆亞杰， 等. 軍事系統(tǒng)工程中的知識圖譜應(yīng)用及研究［J］. 系統(tǒng)工程與電子技術(shù)， 2022， 44（1）： 146-153.

MA Y F， XIANG N， DOU Y J， et al. Application and research of knowledge graph in military system engineering［J］. Systems Engineering and Electronics， 2022， 44（1）： 146-153.

［37］ WANG X Y， EL-GOHARY N. Deep learning-based relation extraction and knowledge graph-based representation of construction safety requirements［J］. Automation in Construction， 2023， 147： 104696.

［38］ XU Z G， DANG Y Z. Data-driven causal knowledge graph construction for root cause analysis in quality problem solving［J］. International Journal of Production Research， 2023， 61（10）： 3227-3245.

［39］ WU D， SUN B， SHANG M S. Hyperparameter learning for deep learning-based recommender systems［J］. IEEE Trans.on Services Computing， 2023， 16（4）： 2699-2712.

［40］ ZEB A， UL-HAQ A U， ZHANG D， et al. KGEL： a novel end-to-end embedding learning framework for knowledge graph completion［J］. Expert Systems with Applications， 2021， 167： 114164.

［41］ YANG Y， RAO Y L， YU M H， et al. Multi-layer information fusion based on graph convolutional network for knowledge-driven herb recommendation［J］. Neural Networks， 2022， 146： 1-10.

［42］ LIU C， JIANG P Y， JIANG W L. Web-based digital twin modeling and remote control of cyber-physical production systems［J］. Robotics and Computer-Integrated Manufacturing， 2020， 64： 101956.

作者簡介

劉虎沉（1984—），男，教授，博士，主要研究方向為質(zhì)量工程、可靠性管理、質(zhì)量4.0理論及應(yīng)用。

李 珂（1998—），女，碩士研究生，主要研究方向為智能制造情境下質(zhì)量管理、新一代信息技術(shù)在質(zhì)量管理中的應(yīng)用。

王鶴鳴（1996—），男，碩士研究生，主要研究方向為質(zhì)量4.0理論與應(yīng)用、智能質(zhì)量與可靠性管理。

施 華（1980—），男，副教授，博士，主要研究方向為智能制造情境下質(zhì)量管理、質(zhì)量4.0理論及應(yīng)用。