• Cognex Vertrieb: +49-721-958-8052

  • Kontakt

Cognex Blogs

Wie Deep Learning Prüfungen in der Elektroindustrie automatisiert

deep learning electronics industry

Die Fertigungsindustrie für elektronische Hardware ist gut mit industrieller Bildverarbeitung versorgt. Da Kunden schlanke und leichte Produkte fordern, werden Produktkomponenten immer kleiner und die Nachfrage nach einer kostengünstigen Fertigung steigt. Für die Hersteller ist es deshalb wesentlich, jeden Bereich ihrer Produktionsprozesse ohne Einbußen bei der Qualität zu automatisieren.

Es gibt aber Anwendungen, besonders in der Halbleiter- und Mobilgerätebranche, die sich der Automatisierung aufgrund ihrer Komplexität und teuren Programmierung widersetzen. In diesen Fällen ist es ein gängiger, aber ineffizienter Kompromiss, sich auf menschliche Prüfer zu verlassen, um auf Schätzungen basierende Entscheidungen mit vielen verschiedenen Teilen, Baugruppen und Szenen zu bewältigen. Trotz ihrer Zuverlässigkeit im Vergleich zu Maschinen, sind menschliche Prüfer fehleranfällig, wenn sie müde werden.

Daher setzen Elektronikhersteller auf Deep-Learning-basierte Inspektionslösungen, die auf einzigartige Weise die Flexibilität des menschlichen Verstandes mit der Robustheit eines Computers kombinieren, um schnelle und extrem zuverlässige Prüfergebnisse zu erhalten. Lesen Sie weiter, um zu erfahren, wie Deep Learning Prüf-, Code-Lese- und Klassifizierungsaufgaben für die Elektroindustrie revolutioniert.

Defekterkennung

Montierte Leiterplatten beruhen auf der genauen Schweißung der Bauteile, damit der Strom fließen kann. Die kleinsten Mängel können zu Störungen und Ausfällen führen. Daher ist die Defekterkennung von entscheidender Bedeutung. Nun wirken die vielen verschiedenartigen Schweißfehler — zu stark, nicht ausreichend oder ungleichmäßig geschweißt — auf ein Bildverarbeitungssystem nicht nur wegen ihrer winzigen, immanenten Unterschiede unterschiedlich. Auch Bildprobleme, wie bspw. Blendeffekte, verfälschen oder verändern ihre Darstellung für die Kamera.

Deep Learning Defekterkennung für die Elektroindustrie

Automatisierte Prüfsysteme müssen starke Abweichungen einzelner Teile (zum Beispiel eine nicht ausreichende oder zu starke Schweißnaht) unter schwierigen Bildqualitätsbedingungen tolerieren. Deep-Learning-basierte Lösungen können den Zielbereich fixieren und Schweißnähte mit starken Abweichungen einzelner Teile ohne regelbasierte Programmierung, die zu zeitaufwändig, mühsam oder manchmal sogar unmöglich wäre, prüfen.

Das Cognex Deep-Learning-Tool zur Defekterkennung lernt, verschiedene Schweißfehler zu erkennen, nachdem es anhand einer repräsentativen Auswahl an bekannten „guten“ (d. h. bestehenden) und „schlechten“ (fehlerhaften) gekennzeichneten Bildern geschult wurde. Anhand dieser Bilder kann Cognex Deep Learning ein Referenzmodell vom normalen Aussehen einer Schweißnaht sowie von unannehmbaren Mängeln erstellen, das Abweichungen im Aussehen, die Bildgebungsproblemen und Blendeffekten zuzuordnen sein könnten, berücksichtigt.

Optische Zeichenerkennung

Wie alle alphanumerischen Zeichen, die auf Elektronikbauteile und Module gedruckt werden, können Seriennummern auf Chips leicht verformt, schief oder schlecht geätzt sein. Diese Merkmale sind eine Herausforderung für herkömmliche OCR-Tools, die an einer Schriften- und Zeichenbibliothek und ihren unterschiedlichen Darstellungen trainiert werden müssen.

Deep Learning OCR für die Elektroindustrie

Selbst die besten Tools — mit denen Benutzer ganze Zeichenfolgen in einem Schritt trainieren, einzelne Zeichen entfernen, dieselben Zeichen mehrmals trainieren sowie trainierte Schriften in neue Anwendungen hochladen oder darin speichern können — sind zeitaufwändig und können immer noch Probleme bei der Erkennung eines Zeichens mit einer unerwarteten Verformung haben.

Deep-Learning-basierte Tools nutzen vorab trainierte Bibliotheken, um Zeichen zu erkennen und zu überprüfen, auch wenn sich ihre Darstellungen ändern, so dass während der Prüfung und Validierung nur übersehene Zeichen im System neu trainiert werden müssen. Dadurch steht dem Inspektionssystem sofort eine genauere Aufnahme zur Verfügung und Ausfallzeiten wegen erneuten Trainings werden auf ein Minimum beschränkt.

Montageprüfung

Die Montageprüfung ist aufgrund der großen Zahl verschiedener Komponenten, die zu berücksichtigen sind, eine bekanntermaßen schwer zu automatisierende Anwendung. Es muss überprüft werden, ob die Komponenten vorhanden, richtig angebracht und ausgerichtet sind. Solche Inspektionen müssen möglicherweise sowohl in 2D als auch in 3D durchgeführt werden, je nach Baugruppe.

Ein klassisches Beispiel ist die Überprüfung der Endmontage einer Leiterplatte, auf die LEDs, Mikroprozessoren und andere oberflächenmontierbare Bauteile angeschweißt wurden. Das Inspektionssystem ist für die Erfassung fehlender Komponenten und Teile zuständig, die möglicherweise falsch positioniert sind, da solche Fehler die Leistung und Lebensdauer einer Leiterplatte beeinträchtigen können.

Deep Learning Montageprüfung für die Elektroindustrie

Bildverarbeitungssysteme können für mehrere Zielbereiche trainiert werden und lernen, jede einzelne Komponente zu identifizieren, jedoch können Abweichungen des Erscheinungsbildes durch Beleuchtungskontraste, Änderungen der Perspektive und Ausrichtung oder Blendeffekte das System immer noch irritieren. Besonders auf einer dicht bestückten Leiterplatte, wo Komponenten nahe beieinander liegen, kann das Bildverarbeitungssystem Probleme bei der Unterscheidung einzelner Komponenten haben, was fälschlicherweise zu einem Versagen der Prüfung führt. Während menschliche Prüfer einzelne Komponenten unterscheiden können, sind sie einfach nicht in der Lage, die Anforderungen bei einem Durchsatz mit hoher Geschwindigkeit zu erfüllen.

Eine Programmierung solcher Prüfungen in einen regelbasierten Algorithmus ist zeitaufwändig und immer noch fehleranfällig, ganz zu schweigen von der schwierigen Wartung vor Ort. Zum Glück übertreffen Deep-Learning-basierte Bildverarbeitungssysteme die Flexibilität, das Urteilsvermögen und die auf Schätzungen basierende Entscheidungsfindung eines Menschen dadurch, dass sie über die Geschwindigkeit und Durchgängigkeit eines Computers verfügen.

Das anhand gekennzeichneter Referenzbeispiele trainierte Tool kann ein Referenzmodell einer vollständig montierten Leiterplatte erstellen. Das Modell kann einzelne Komponenten aufgrund ihrer verallgemeinerten Größe, Form und Merkmale erkennen — sogar wenn sich ihr Erscheinungsbild während der Prüfung zwangsläufig ändert — und ihre Lage auf der Leiterplatte vorhersagen. Während der Prüfung kann Cognex Deep Learning mehrere Zielbereiche identifizieren, um Komponenten zu lokalisieren, zu zählen und zu prüfen und so sicherzustellen, dass sie vorhanden und richtig montiert sind.

Klassifizierung

Dei industrielle Bildverarbeitung kommt an ihre Grenzen, auch wenn es darum geht zu klassifizieren. Dies wird bei Elektronikanwendungen, in denen Komponenten identifiziert und in mehrere Klassen geordnet werden müssen und das Inspektionssystem einige optische Abweichungen tolerieren muss, zu einem Hindernis.

Deep-Learning-Klassifizierung für die Elektroindustrie

Elektronische Kondensatoren sind ein gutes Beispiel für eine Komponente, die je nach Art (keramisch oder elektrisch) sowie nach Größe (groß oder klein) und Farbe (golden und nicht golden) variiert. Wenn ein Hersteller Kondensatoren sortieren muss, steht er vor der schwierigen Aufgabe, ein einzelnes sinnvolles Bild zu erstellen, das mehrere Klassifizierungen enthält — zum Beispiel keramische Goldkondensatoren mit schwarzen Markierungen oder elektrische Goldkondensatoren mit blauen Markierungen. Das Inspektionssystem muss Komponenten nach den Herstellerkriterien sortieren können, um elektronische Kondensatoren anhand ihrer Farbe und Markierungen zu unterscheiden, während es andere Kriterien ignoriert.

Damit dies automatisch geschieht, müssen Ingenieure, die sich mit Inspektionsanwendungen beschäftigen, für deren Lösung auf Deep Learning setzen. Der Betrieb Deep-Learning-basierter Software im Überwachungsmodus kann sowohl auf die Erkennung einer ausgewählten Anordnung von Eigenschaften (zum Beispiel Gold- und elektrische Kondensatoren) als auch die Unterscheidung zwischen den einzelnen Eigenschaften jedes Kondensators (goldene, schwarze oder blaue Markierungen) trainiert werden, während weitere Abweichungen bei demselben Typ ignoriert werden. Das Deep-Learning-basierte System kann mehrere Arten einer einzelnen Komponente innerhalb eines einzigen Bildes genau klassifizieren und sortieren — dies bedeutet einen riesigen Vorteil gegenüber der industriellen Bildverarbeitung.

Die Automatisierung von Produktionsprozessen und die Verbesserung der Qualität sind zwei der größten Anforderungen der Elektroindustrie. Einige Anwendungen sind jedoch zu kompliziert und zeitaufwändig, um sie in einen regelbasierten Algorithmus zu programmieren. Cognex Deep Learning nutzt die Leistungsstärke der künstlichen Intelligenz bei der Bildanalyse, um schwierige Elektronikanwendungen mit Teilelokalisierung, kosmetischer Prüfung, Klassifizierung und Zeichenerkennung zu bewältigen.

Weitere Posts auf

Wie Deep Learning Prüfungen in der Elektroindustrie automatisiert

deep learning electronics industry

Die Fertigungsindustrie für elektronische Hardware ist gut mit industrieller Bildverarbeitung versorgt. Da Kunden schlanke und leichte Produkte fordern, werden Produktkomponenten immer kleiner und die Nachfrage nach einer kostengünstigen Fertigung steigt. Für die Hersteller ist es deshalb wesentlich, jeden Bereich ihrer Produktionsprozesse ohne Einbußen bei der Qualität zu automatisieren.

Es gibt aber Anwendungen, besonders in der Halbleiter- und Mobilgerätebranche, die sich der Automatisierung aufgrund ihrer Komplexität und teuren Programmierung widersetzen. In diesen Fällen ist es ein gängiger, aber ineffizienter Kompromiss, sich auf menschliche Prüfer zu verlassen, um auf Schätzungen basierende Entscheidungen mit vielen verschiedenen Teilen, Baugruppen und Szenen zu bewältigen. Trotz ihrer Zuverlässigkeit im Vergleich zu Maschinen, sind menschliche Prüfer fehleranfällig, wenn sie müde werden.

Daher setzen Elektronikhersteller auf Deep-Learning-basierte Inspektionslösungen, die auf einzigartige Weise die Flexibilität des menschlichen Verstandes mit der Robustheit eines Computers kombinieren, um schnelle und extrem zuverlässige Prüfergebnisse zu erhalten. Lesen Sie weiter, um zu erfahren, wie Deep Learning Prüf-, Code-Lese- und Klassifizierungsaufgaben für die Elektroindustrie revolutioniert.

Defekterkennung

Montierte Leiterplatten beruhen auf der genauen Schweißung der Bauteile, damit der Strom fließen kann. Die kleinsten Mängel können zu Störungen und Ausfällen führen. Daher ist die Defekterkennung von entscheidender Bedeutung. Nun wirken die vielen verschiedenartigen Schweißfehler — zu stark, nicht ausreichend oder ungleichmäßig geschweißt — auf ein Bildverarbeitungssystem nicht nur wegen ihrer winzigen, immanenten Unterschiede unterschiedlich. Auch Bildprobleme, wie bspw. Blendeffekte, verfälschen oder verändern ihre Darstellung für die Kamera.

Deep Learning Defekterkennung für die Elektroindustrie

Automatisierte Prüfsysteme müssen starke Abweichungen einzelner Teile (zum Beispiel eine nicht ausreichende oder zu starke Schweißnaht) unter schwierigen Bildqualitätsbedingungen tolerieren. Deep-Learning-basierte Lösungen können den Zielbereich fixieren und Schweißnähte mit starken Abweichungen einzelner Teile ohne regelbasierte Programmierung, die zu zeitaufwändig, mühsam oder manchmal sogar unmöglich wäre, prüfen.

Das Cognex Deep-Learning-Tool zur Defekterkennung lernt, verschiedene Schweißfehler zu erkennen, nachdem es anhand einer repräsentativen Auswahl an bekannten „guten“ (d. h. bestehenden) und „schlechten“ (fehlerhaften) gekennzeichneten Bildern geschult wurde. Anhand dieser Bilder kann Cognex Deep Learning ein Referenzmodell vom normalen Aussehen einer Schweißnaht sowie von unannehmbaren Mängeln erstellen, das Abweichungen im Aussehen, die Bildgebungsproblemen und Blendeffekten zuzuordnen sein könnten, berücksichtigt.

Optische Zeichenerkennung

Wie alle alphanumerischen Zeichen, die auf Elektronikbauteile und Module gedruckt werden, können Seriennummern auf Chips leicht verformt, schief oder schlecht geätzt sein. Diese Merkmale sind eine Herausforderung für herkömmliche OCR-Tools, die an einer Schriften- und Zeichenbibliothek und ihren unterschiedlichen Darstellungen trainiert werden müssen.

Deep Learning OCR für die Elektroindustrie

Selbst die besten Tools — mit denen Benutzer ganze Zeichenfolgen in einem Schritt trainieren, einzelne Zeichen entfernen, dieselben Zeichen mehrmals trainieren sowie trainierte Schriften in neue Anwendungen hochladen oder darin speichern können — sind zeitaufwändig und können immer noch Probleme bei der Erkennung eines Zeichens mit einer unerwarteten Verformung haben.

Deep-Learning-basierte Tools nutzen vorab trainierte Bibliotheken, um Zeichen zu erkennen und zu überprüfen, auch wenn sich ihre Darstellungen ändern, so dass während der Prüfung und Validierung nur übersehene Zeichen im System neu trainiert werden müssen. Dadurch steht dem Inspektionssystem sofort eine genauere Aufnahme zur Verfügung und Ausfallzeiten wegen erneuten Trainings werden auf ein Minimum beschränkt.

Montageprüfung

Die Montageprüfung ist aufgrund der großen Zahl verschiedener Komponenten, die zu berücksichtigen sind, eine bekanntermaßen schwer zu automatisierende Anwendung. Es muss überprüft werden, ob die Komponenten vorhanden, richtig angebracht und ausgerichtet sind. Solche Inspektionen müssen möglicherweise sowohl in 2D als auch in 3D durchgeführt werden, je nach Baugruppe.

Ein klassisches Beispiel ist die Überprüfung der Endmontage einer Leiterplatte, auf die LEDs, Mikroprozessoren und andere oberflächenmontierbare Bauteile angeschweißt wurden. Das Inspektionssystem ist für die Erfassung fehlender Komponenten und Teile zuständig, die möglicherweise falsch positioniert sind, da solche Fehler die Leistung und Lebensdauer einer Leiterplatte beeinträchtigen können.

Deep Learning Montageprüfung für die Elektroindustrie

Bildverarbeitungssysteme können für mehrere Zielbereiche trainiert werden und lernen, jede einzelne Komponente zu identifizieren, jedoch können Abweichungen des Erscheinungsbildes durch Beleuchtungskontraste, Änderungen der Perspektive und Ausrichtung oder Blendeffekte das System immer noch irritieren. Besonders auf einer dicht bestückten Leiterplatte, wo Komponenten nahe beieinander liegen, kann das Bildverarbeitungssystem Probleme bei der Unterscheidung einzelner Komponenten haben, was fälschlicherweise zu einem Versagen der Prüfung führt. Während menschliche Prüfer einzelne Komponenten unterscheiden können, sind sie einfach nicht in der Lage, die Anforderungen bei einem Durchsatz mit hoher Geschwindigkeit zu erfüllen.

Eine Programmierung solcher Prüfungen in einen regelbasierten Algorithmus ist zeitaufwändig und immer noch fehleranfällig, ganz zu schweigen von der schwierigen Wartung vor Ort. Zum Glück übertreffen Deep-Learning-basierte Bildverarbeitungssysteme die Flexibilität, das Urteilsvermögen und die auf Schätzungen basierende Entscheidungsfindung eines Menschen dadurch, dass sie über die Geschwindigkeit und Durchgängigkeit eines Computers verfügen.

Das anhand gekennzeichneter Referenzbeispiele trainierte Tool kann ein Referenzmodell einer vollständig montierten Leiterplatte erstellen. Das Modell kann einzelne Komponenten aufgrund ihrer verallgemeinerten Größe, Form und Merkmale erkennen — sogar wenn sich ihr Erscheinungsbild während der Prüfung zwangsläufig ändert — und ihre Lage auf der Leiterplatte vorhersagen. Während der Prüfung kann Cognex Deep Learning mehrere Zielbereiche identifizieren, um Komponenten zu lokalisieren, zu zählen und zu prüfen und so sicherzustellen, dass sie vorhanden und richtig montiert sind.

Klassifizierung

Dei industrielle Bildverarbeitung kommt an ihre Grenzen, auch wenn es darum geht zu klassifizieren. Dies wird bei Elektronikanwendungen, in denen Komponenten identifiziert und in mehrere Klassen geordnet werden müssen und das Inspektionssystem einige optische Abweichungen tolerieren muss, zu einem Hindernis.

Deep-Learning-Klassifizierung für die Elektroindustrie

Elektronische Kondensatoren sind ein gutes Beispiel für eine Komponente, die je nach Art (keramisch oder elektrisch) sowie nach Größe (groß oder klein) und Farbe (golden und nicht golden) variiert. Wenn ein Hersteller Kondensatoren sortieren muss, steht er vor der schwierigen Aufgabe, ein einzelnes sinnvolles Bild zu erstellen, das mehrere Klassifizierungen enthält — zum Beispiel keramische Goldkondensatoren mit schwarzen Markierungen oder elektrische Goldkondensatoren mit blauen Markierungen. Das Inspektionssystem muss Komponenten nach den Herstellerkriterien sortieren können, um elektronische Kondensatoren anhand ihrer Farbe und Markierungen zu unterscheiden, während es andere Kriterien ignoriert.

Damit dies automatisch geschieht, müssen Ingenieure, die sich mit Inspektionsanwendungen beschäftigen, für deren Lösung auf Deep Learning setzen. Der Betrieb Deep-Learning-basierter Software im Überwachungsmodus kann sowohl auf die Erkennung einer ausgewählten Anordnung von Eigenschaften (zum Beispiel Gold- und elektrische Kondensatoren) als auch die Unterscheidung zwischen den einzelnen Eigenschaften jedes Kondensators (goldene, schwarze oder blaue Markierungen) trainiert werden, während weitere Abweichungen bei demselben Typ ignoriert werden. Das Deep-Learning-basierte System kann mehrere Arten einer einzelnen Komponente innerhalb eines einzigen Bildes genau klassifizieren und sortieren — dies bedeutet einen riesigen Vorteil gegenüber der industriellen Bildverarbeitung.

Die Automatisierung von Produktionsprozessen und die Verbesserung der Qualität sind zwei der größten Anforderungen der Elektroindustrie. Einige Anwendungen sind jedoch zu kompliziert und zeitaufwändig, um sie in einen regelbasierten Algorithmus zu programmieren. Cognex Deep Learning nutzt die Leistungsstärke der künstlichen Intelligenz bei der Bildanalyse, um schwierige Elektronikanwendungen mit Teilelokalisierung, kosmetischer Prüfung, Klassifizierung und Zeichenerkennung zu bewältigen.

Weitere Posts auf

ERHALTEN SIE ZUGANG ZU SUPPORT & TRAINING FÜR PRODUKTE & MEHR

Werden Sie Teil von MyCognex

SIE HABEN EINE FRAGE?

Cognex is weltweit vertreten, um Sie bei Ihren Vision- und Barcode-Anwendungen zu unterstützen.

Kontakt
Loading...