EDA產業發展幾十年以來，始終未能建立業界通用的電子零件標準格式，使得電子電路工程設計者和工程師在前端作業時，常面臨繁瑣冗雜、重複性高的工作模式，造成耗時費力、出錯率高、資料管控困難，且知識傳承不易。

為解決上述產業痛點，富比庫(Footprintku)運用智動數位化技術(AI & Auto digitization technology；AADT)，將電子零件資料(PDF data)轉換為數位資料(Digital data)，並發展具學習能力的服務型機器人，為全球EDA Library領域AI技術應用的先驅，目標建立全球電子資料中心(Global Electronics Data Hub)。此外，運用創新技術結合隨取即用和共享經濟的服務模式，首創電子零件資料數位轉換雲端服務平台Footprintku.com，實現無人工作室(Autonomous studio)的概念，盼能解決電子產業資料數位化之困境。

AADT主要是將用以描述電子零件資料的規格書(PDF file)，轉換為可相容於各種EDA軟體的數位資料，其技術架構如圖1所示，包含頁面辨識模組、文字偵測模組、封裝與視圖辨識模組、參數分析模組與格式轉換模組。運用機器學習(Machine Learning；ML)領域中的類神經網路(Artificial Neural Network；ANN)演算法實現智動化數位技術。

圖1 電子零件數位資料格式轉換流程。

類神經網路是一種由相當複雜的類神經元所構成的模型，透過模型的自適應學習規則，可賦予類神經網路相當程度的學習能力。智動數位化技術採用卷積神經網路模型(Convolution Neural Network；CNN)進行基本的影像辨識，全卷積神經網路模型(Fully Convolutional Neural Network；FCN)則是負責分類影像中更為精細的畫素。

CNN是擷取影像特徵與影像分類時最常被使用的神經網路模型，一個健全的CNN架構必須涵蓋：擷取特徵的卷積層(Convolutional Layer)、降低維度的池化層(Pooling Layer)，以及整合特徵資訊的全連接層(Fully Connected Layer)。而FCN則是由CNN變化而來，差異在於FCN是將CNN後段的全連接層以卷積層取代，提升對影像分類的精細度。此作法可將CNN僅能對影像進行單一物件分類任務擴展為影像中的畫素點分類任務。

頁面辨識模組

此一模組主要以CNN為基礎模型，以輕量化形式(Mobile Net)使機器能夠學習電子零件規則書中電子零件外型的呈現方式，擷取描述電子零件上視圖(top view)、下視圖(bottom view)與側視圖(side view)的頁面。此模組所採用的Mobile Net分類方法是針對電子零件規格書中的頁面，透過特徵分析的方式進行分類。實驗數據如圖2所示，此技術使用的Mobile Net能從一份有上千頁面的電子零件規格書中，找出描述電子零件視圖資訊的頁面，正確率可達97%。

圖2 視圖頁面辨識率及花費時間。

文字偵測模組

本模組採用EAST模型選取圖片中文字出現的位置與區域進行範圍，並以ICDAR提供的檢測方法進行選取範圍正確性的評估。如圖3所示，以EAST模型訓練出來的文字區域偵測模型可選取圖片中所有文字的範圍，選取範圍的準確率已達到基本標準，需再針對學習模式或演算法參數的調整即可選取更精準的文字區域。

圖3 文字區域偵測結。

封裝與視圖辨識模組

此模組主要是訓練機器自動辨識封裝類型與視圖方向，將電子零件規則書中的封裝圖形的描述作為訓練資料，結合Yolo模型進行多重物件偵測，使機器具備同時辨識電子零件封裝類型，以及視圖方向的能力，此做法有助於後續進行參數關聯性的分析能力。圖4(a)~(c)為三種不同的USB Type的封裝與視圖方向辨識結果。

圖4 辨識與視圖方向辨識結果。

參數分析模組

參數分析目的在於分析不同封裝類型特徵上的差異，以統計或數學模型的方式歸納出每一組參數的重要性及代表性。此技術能確認參數的完整性與正確性，建立參數之間的關聯規則，並將經過分析所得到的參數提供給格式轉換模組。

格式轉換模組

富比庫定義一個可以相容於不同EDA軟體的格式——FPK Format。用於支援不同EDA軟體資料格式的轉換，將參數分析結果轉換為數位資料格式，包含長度、寬度等尺寸。為了能實現EDA資料格式轉換而不會出現資料缺漏的情形，此技術從參數集合中挑選出所需的參數，結合電路板製程條件與EDA軟體的檔案格式資訊，轉換為FPK Format，再透過各EDA軟體輸出為不同的檔案格式。圖5(a)~(c)為USB連接器元件經由FPK Format介接三套EDA軟體，
包含Allegro、Altium與PADS，所輸出的檔案格式。

圖5 Allegro、Altium與PADS檔案格式。

電子零件資料數位化是所有的電子產品設計的第一道且必要的程序。不論是主動元件、被動元件或連接器元件，在未來全球市場的發展與規模，都擁有高度的需求量且維持穩定的成長率。由此可預測，電子零件數位資料的需求量不容小覷，而這也代表了資料數位轉換將為電子產業帶來巨大且無窮的發展潛能與商機。

本文同步刊登於EE Times 2020年1月號雜誌

活動簡介

未來寬能隙半導體元件會在哪些應用成為主流？元件供應商又會開發出哪些新的應用寬能隙元件的電路架構，以協助電力系統開發商進一步簡化設計複雜度、提升系統整體效率？TechTaipei「寬能隙元件市場與技術發展研討會」將邀請寬能隙半導體的關鍵供應商一一為與會者解惑。

贊助廠商

立即報名