• Refine Query
  • Source
  • Publication year
  • to
  • Language
  • 2
  • Tagged with
  • 2
  • 2
  • 2
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • 1
  • About
  • The Global ETD Search service is a free service for researchers to find electronic theses and dissertations. This service is provided by the Networked Digital Library of Theses and Dissertations.
    Our metadata is collected from universities around the world. If you manage a university/consortium/country archive and want to be added, details can be found on the NDLTD website.
1

Classification of incorrectly picked components using Convolutional Neural Networks

Kolibacz, Eric January 2018 (has links)
Printed circuit boards used in most ordinary electrical devices are usually equipped through an assembly line. Pick and place machines as part of those lines require accurate detection of incorrectly picked components, and this is commonly performed via image analysis. The goal of this project is to investigate if we can achieve state-of-the-art performance in an industrial quality assurance task through the application of artificial neural networks. Experiments regarding different network architectures and data modifications are conducted to achieve precise image classification. Although the classification rates do not surpass or equal the rates of the existing vision-based detection system, there remains great potential in the deployment of a machine-learning-based algorithm into pick and place machines. / Tryckta kretskort som används i de flesta vanliga elektroniska produkter är vanligtvis monterade i monteringslinjer. Ytmonteringsmaskinerna i dessa monteringslinjer kräver exakt detektering av felaktigt plockade komponenter, vilket ofta genomförs med hjälp av bildanalys. Målet med detta projekt är att undersöka om vi kan uppnå framstående resultat i en industriell kvalitetssäkringsuppgift genom användandet av artificiella neuronnätverk. Experiment utförs med olika nätverksarkitekturer och datamodifikationer för att uppnå exakt bildklassificering.  Även om klassificeringsgraderna inte uppnår klassificeringsgraderna hos existerande synbaserade detekteringssystem, finns en stor potential för användandet av maskininlärningsbaserade algoritmer i ytmonteringsmaskiner.
2

Investigation of MEMS-Based Acoustic Levitation for Pick-and-Place Machines / Utredning av MEMS-Baserad Akustisk Levitation för Pick-and-Place maskiner

Bergstrand, Alejandro, Malm, Lukas January 2021 (has links)
The standard technology used in a pick and place machine for lifting and transportingsurface mount electronic components is a vacuum based solution.  This thesis investigates a new acoustic based technology for manipulating surface mountelectronic components.  Using a microelectromechanical systems-based transducers array to create a standing wave, small objects and components were levitated and studied.  It was examined how the distance would affect the levitation ability of different objects with varying density as well as how the stability was affected. It was concluded that the distance variation of approximately 10 mm had no significant affecton the levitation ability. The longer distance did result in a less stable behavior of the levitated object. / Standardtekniken som används i en pick-and-placemaskin för att lyfta och förflytta ytmonterade elektroniska komponenter är baserad på en vakuumbaserad lösning. Detta examensarbete undersöker en ny akustisk baserad teknik för att manipulera ytmonterade elektroniska komponenter.  Med hjälp av en mikroelektromekaniskt system-baserad piezoelektrisk givare skapades en stående våg, för att levitera och studera små föremål och komponenter. Det undersöktes hur avståndet skulle påverka levitationsförmågan hos olika föremål med varierande densitet samt hur stabiliteten påverkades.  Slutsatsen som drogs var att avståndsvariationen på cirka 10 mm inte hade någon signifikant påverkan på levitationsförmågan. Det längre avståndet resulterade dock i ett mindre stabilt beteende hos det svävande föremålet.

Page generated in 0.0722 seconds