Two-stage Soldering Defect Detection with Deep Learning

In electronics industry, quality control of soldering points on printed circuitboards (PCB) is an important topic. Soldering points are usually inspected by the operator or by automatic optical inspection (AOI) techniques.This thesis proposes an AOI method for soldering fault detection based on deep learning. There are two stages of the method. The first stage is to detect all the soldering points from the PCB image, and the second stage is to classify them by their types of defect. According to our results on the most common defect type, the method is a feasible solution to detect soldering faults and ithas great potential to be deployed to the actual production environment.Inom elektronikindustrin är kvalitetskontrollen av lödpunkter på(PCB) ett viktigt ämne. Lödpunkten inspekteras vanligtvis av operatören eller den automatiska optiska inspektions-tekniken (AOI).Denna avhandling föreslår en AOI-metod för lödningsfelet baserat på djup inlärning. Det finns två steg i metoden. Det första steget är att upptäcka alla lödpunkter från PCB-bilden, och det andra steget är att klassificera dem efter deras fel. Enligt våra resultat av den vanligaste defekttypen är metoden en genomförbar lösning för att upptäcka lödningsfel och den har stor potential attanvändas till den faktiska produktionsmiljön