La industria de producción de electrónica es esencial en la actualidad y se apoya en herramientas automatizadas para mantener altos niveles de calidad a costos reducidos. A pesar de los recientes avances en el área del aprendizaje automático y la visión artificial, las soluciones habituales de Automated Optical Inspection (AOI) en Printed Circuit Board Assemblys (PCBAs) siguen siendo basadas fuertemente en técnicas clásicas, como la segmentación manual, que si bien tienen buen rendimiento, conllevan elevados costos de mantenimiento. En este trabajo, proponemos aplicar algoritmos modernos de aprendizaje automático combinados con información de Computer Assisted Design (CAD) de los PCBAs para generar soluciones de AOI con buen desempeño y bajo mantenimiento. Adaptamos los métodos de aprendizaje por transferencia y redes siamesas al problema de detección de fallas en PCBAs, sobre conjuntos de datos de componentes electrónicos, tanto públicos como originales de este trabajo. Los resultados muestran que los algoritmos desarrollados requieren menos mantenimiento que los métodos tradicionales y son suficientemente efectivos para detectar errores de componentes incorrectos, faltantes o en exceso, aunque presentan limitaciones en la detección de errores de posicionamiento o soldadura. Mostramos que es posible usar visión artificial con aprendizaje automático para abordar el problema de manera flexible como un apoyo para el inspector humano, dando una mejora sustancial en el tiempo de inspección por placa. Sin embargo, hallamos que la carencia de conjuntos de datos públicos y de buena calidad para componentes electrónicos y fallas en PCBAs es el principal impedimento para el desarrollo de un sistema general robusto de AOI. Existe un camino prometedor para el avance del AOI incorporando nuevas tecnologías de aprendizaje automático, con un enfoque en el bajo mantenimiento que eventualmente mejoraría la eficiencia de los sistemas de control de calidad en la industria electrónica.

The electronics manufacturing industry is essential in the modern society and relies on automated tools to maintain high levels of quality at reduced costs. Despite recent advances in machine learning and computer vision, common AOI solutions for PCBAs are still heavily based on classical techniques, such as manual segmentation, which demand a high maintenance costs for their good performance. In this work, we propose applying modern machine learning algorithms combined with CAD information of PCBAs to generate low-maintenance AOI solutions with good performance. We adapt transfer learning methods and Siamese networks to the problem of fault detection in PCBAs, using datasets of electronic components, both public and specifically created for this study. The results show that the developed algorithms require less maintenance than traditional methods and are sufficiently effective in detecting incorrect, missing, or excess components, although they have limitations in detecting positioning or soldering errors. We demonstrate that it is possible to use computer vision with machine learning to address the problem flexibly, supporting the human inspector and substantially improving inspection time per board. However, we found that the lack of public and high-quality datasets for electronic components and PCBAs failures is the main impediment to developing a robust general AOI solution. There is a promising path for the advancement of AOI by incorporating new machine learning technologies, focusing on low maintenance, which will eventually improve the efficiency of quality control systems in the electronics industry.