Oberflächeninspektion von Leiterplatten per KI

Oberflächeninspektion von Leiterplatten per KI
Auf künstlicher Intelligenz basierendes Defektinspektionssystem von G4 Technology ermöglicht die Oberflächeninspektion von Leiterplatten und senkt den Pseudoausschuss deutlich.
Bild 1 | Mit Hilfe der Deep-Learning-basierenden Inspektionssoftware SuaKIT AI sowie einer Manta Kamera kann der Anteil an Pseudo-Fehlern bei der PCB-Inspektion deutlich gesenkt werden.
Bild 1 | Mit Hilfe der Deep-Learning-basierenden Inspektionssoftware SuaKIT AI sowie einer Manta Kamera kann der Anteil an Pseudo-Fehlern bei der PCB-Inspektion deutlich gesenkt werden.

Seit 2010 hält die taiwanesische Leiterplattenindustrie 30 Prozent Marktanteil am globalen Leiterplattenmarkt. Dank der rasanten Entwicklung von High-End-Mobiltelefonen überschritt der Wert der gesamten PCB-Lieferkette 2017 in Taiwan und China zusammen 30 Milliarden Dollar. Die Leiterplattenindustrie ist eine der wettbewerbsfähigsten Branchen in Taiwan. Dabei helfen AOI-Anlagen Halbfabrikate zu prüfen, ohne die Produktionskapazität zu beeinträchtigen. Die AOI-Ausrüstung ist somit eine wichtige Investition in den Herstellungsprozess von Leiterplatten und stellt mit 15 Prozent einen vergleichsweise hohen Anteil an der Gesamtinvestitionssumme dar.

Überhöhter Ausschuss

AOI ist eine automatisierte visuelle Inspektion, welche die Oberfläche einer Leiterplatte scannt, um ein eindeutiges Bild zu erhalten. Abhängig von der Bildverarbeitungstechnologie können AOI-Geräte prüfen, ob Fehler wie Kurzschlüsse, übermäßiges oder unzureichendes Kupfer, offene Stromkreise, Kerben, Grate, Kupferschlacken, fehlende Komponenten und Verformungen vorliegen. Da es eine Vielzahl von Oberflächenfehlern gibt, ist die Inspektion schwieriger als bei allgemeinen elektronischen Bauteilen. Derzeit sieht sich die AOI-Inspektion aber mit dem Phänomen des überhöhten Ausschusses konfrontiert. Aufgrund der extrem hohen Anforderungen sind die Designparameter von AOI-Geräten sehr streng. So kommt es durch die Überempfindlichkeit der Geräte zu einem übertriebenen Ausschuss. Laut Statistik beträgt die Fehlerquote bei den NIO-Teilen bis zu 70 Prozent, das heißt dass 70 Prozent der aussortierten Halbfabrikate fehlerfrei sind. Deswegen muss eine zweite manuelle Überprüfung erfolgen, um zwischen echten und fälschlicherweise erkannten Fehlern zu unterscheiden, bevor sie in die Produktionslinie zurückkehren.

Typischer PCB-Fehler.
Typischer PCB-Fehler.

KI zur Fehlerinspektion

G4 Technology Co. Ltd. in Taiwan bietet Lösungen für die industrielle Bildverarbeitung und AOI-Systeme. Zudem unterstützt es als Dienstleister Unternehmen bei der erfolgreichen Anwendung der Visiontechnologie. Vor Kurzem hat das Unternehmen sein KI-Defekt-Inspektionssystems vorgestellt. Das System besteht aus der Industriekamera Manta G-032C von Allied Vision, einem hochauflösenden Fujifilm-Objektiv und der Inspektionssoftware SuaKIT AI von Sualab mit dem neuesten Deep-Learning-Algorithmus. Das System kann in Echtzeit Bilder erfassen und PCB-Fehler prüfen, erkennen, markieren und klassifizieren. Die von Sualab entwickelte Deep-Learning-Technologie nutzt ein künstliches neuronales Netzwerk zur Analyse von PCB-Bildern. Im Vergleich zur herkömmlichen visuellen Technologie kann das Fehlerprüfsystem komplexe Bilder analysieren, deutlich die Fähigkeit zur Bildinterpretation sowie die Genauigkeit der automatischen visuellen Inspektion verbessern und eine automatische Klassifizierung von Fehlern durchführen. Die erforderlichen Bilddaten in der Anfangsphase des Deep-Learning-Algorithmus variieren mit unterschiedlicher Komplexität der Bilder. In der Regel werden 50 bis 100 Bilder benötigt, so dass das System problemlos mit kundenspezifischen Fehlerstandards umgehen kann.

PCB-Inspektion mit 80fps

Im AI Defect Inspection System von G4 Technology kommt die Manta G-032C Kamera mit einer Auflösung von 656×492 Pixeln zum Einsatz. Mit 80fps bietet sie eine Bildrate, die den normalen Anforderungen genügt. Im Allgemeinen wird nach 15 Minuten ein Modell des entsprechenden neuronalen Netzwerks erstellt. Danach können die Daten in Echtzeit auf einer Produktionslinie verarbeitet werden. „Als wir uns für die Manta-Kamera für die PCB-Inspektionsdemo entschieden haben, wurden vor allem die Anforderungen an eine hohe Geschwindigkeit bei der Echtzeitinspektion berücksichtigt. Dies machte es notwendig, Bilddaten schnell und in kleinen Bildern zu übertragen. Die Kamera hat eine vergleichsweise hohe Bildrate und erfüllt somit die Anforderungen an die Inspektionsgeschwindigkeit“, betont Ken Chou, General Manager von G4 Technology. „Darüber hinaus sind die Allied-Vision-Kameras aufgrund ihrer Qualität und Stabilität am besten mit dem KI-Prüfalgorithmus kompatibel. Tatsächlich können fast alle Allied-Vision-Kameraserien je nach Anwendung als ideale Wahl für die Leiterplatteninspektion angesehen werden. Wenn Kunden beispielsweise hohe Anforderungen an die geprüfte Bildqualität haben, kann eine hochauflösende Kameraserie wie die Prosilica GT eingesetzt werden.“

Allied Vision Technologies GmbH

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige