{"id":741,"date":"2020-07-07T15:37:55","date_gmt":"2020-07-07T13:37:55","guid":{"rendered":"https:\/\/websites.fraunhofer.de\/stec\/?post_type=projects&p=741"},"modified":"2023-03-10T14:08:17","modified_gmt":"2023-03-10T13:08:17","slug":"automatische-optische-inspektion-mit-maschinellem-lernen","status":"publish","type":"projects","link":"https:\/\/s-tec.de\/en\/projekte\/automatische-optische-inspektion-mit-maschinellem-lernen\/","title":{"rendered":"Automatische optische Inspektion mit Maschinellem Lernen"},"content":{"rendered":"\n\n
\n
\n
\n
\n
\n
\"Automatische
\u00a9 Fraunhofer IPA; Foto: Rainer Bez<\/figcaption><\/figure>\n<\/div>\n<\/div>
<\/div>
<\/div><\/div><\/div>\n<\/div><\/div>\n\n\n\n

Reduktion manueller Kontrolle<\/h4>\n\n\n\n

In der SMD-Fertigung der Firma Pilz GmbH & Co. KG wird derzeit automatische optische Inspektion (AOI) zur Qualit\u00e4tssicherung eingesetzt. Diese Systeme arbeiten mit klassischen Bildverarbeitungsalgorithmen und sind daher wartungsintensiv und wenig robust gegen\u00fcber Varianzen. Das hat zur Folge, dass die automatisierte Kontrolle eine gro\u00dfe Anzahl von Pseudofehlern erzeugt, sodass alle Treffer anschlie\u00dfend von Hand gepr\u00fcft werden m\u00fcssen. Ziel des Projekts ist ein maschinelles Lernverfahren, welches Pseudofehler von Echtfehlern in einer automatischen optischen Inspektion unterscheiden kann und damit die Pseudofehlerrate verringert, sodass die Notwendigkeit manueller Nachkontrollen sinkt. Dazu werden (SMD-)Bauteile von Leiterplatinen abfotografiert und zun\u00e4chst von einer bereits bestehenden optischen Inspektion hinsichtlich der Funktion klassifiziert.<\/p>\n\n\n\n

<\/p>\n\n\n\n

Projektablauf<\/h4>\n\n\n\n

Die vorhandene optische Inspektion erzeugt pro Bauteil eine gr\u00f6\u00dfere Menge unterschiedlicher Bilder (klassische Schwarzwei\u00dffotos, Tiefenbilder, etc.). Um m\u00f6glichst keine Echtfehler f\u00e4lschlicherweise als Pseudofehler zu klassifizieren (sog. False-Positive-Fall), wird pro Bildtyp ein eigenes neuronales Netz trainiert, welches somit eine Spezialisierung auf die jeweilige Information erf\u00e4hrt. Sollte ein Bauteilfoto bei einem einzigen neuronalen Netz positiv klassifiziert werden, so wird das Bauteil als Echtfehler bestimmt. <\/p>\n\n\n\n

Als Problem hat sich die Einseitigkeit des Datensatzes erwiesen: Echtfehler kommen nur sehr selten vor, sodass diese im Datensatz stark unterrepr\u00e4sentiert sind. Eine L\u00f6sung besteht darin, Echtfehler k\u00fcnstlich \u00fcber Verfahren der Data Augmentation zu generieren, sodass eine h\u00f6here Varianz dieser F\u00e4lle erzeugt wird. Die anschlie\u00dfende Validierung hat gezeigt, dass auf diese Weise die manuellen Nachkontrollen in 96,3% der F\u00e4lle obsolet werden.<\/p>\n\n\n\n

Die Ergebnisse des Quick Checks waren trotz der kurzen Projektzeit sehr beeindruckend. Wir sehen die gro\u00dfe Chance einer der wichtigsten Pr\u00fcfungen (AOI) unserer Elektronikproduktion in seiner Zuverl\u00e4ssigkeit und Aussagekraft nachhaltig zu verbessern und die Mitarbeitenden aus der Produktion zu entlasten. Wir m\u00f6chten dieses Thema auf jeden Fall weiter verfolgen.<\/p>best\u00e4tigt Michael Auserw\u00e4hlt, Testimonial von PILZ.<\/cite><\/blockquote>\n<\/div>\n\n\n\n

\n
\n\n
\n

Ihr Kontakt<\/p>\n\n\n\t\t\t

\r\n\t\t\t

\r\n\t\t\t\t\t \"\"<\/span>

\r\n\t\t\t\t\t\t Prof. Dr.-Ing. Marco Huber<\/span>
\r\n\t\t\t\t\t\t Phone +49 711 970-1960<\/span>
\r\n\t\t\t\t\t\t Send email<\/a><\/span>

\r\n\t\t\t\t\t\t <\/p>\r\n\t\t\t\t

\r\n\t\t\t\t\t Xinyang Wu<\/span>
\r\n\t\t\t\t\t\t Phone +49 711 970-3673<\/span>
\r\n\t\t\t\t\t\t Send email<\/a><\/span>

\r\n\t\t\t\t\t\t <\/p>\r\n\t\t\t\t

\r\n\t\t\t\t\t M.Sc. Tobias Nagel<\/span>
\r\n\t\t\t\t\t\t Phone +49 711 970-1962<\/span>
\r\n\t\t\t\t\t\t Send email<\/a><\/span>

\r\n\t\t\t\t\t\t <\/p>\r\n\t\t\t\t\t\t\t<\/div>\r\n\t\t<\/div>\n\n\n\n

\n

Weitere Informationen<\/p>\n\n\n\n

\n