Qualitätskontrolle von Lötverbindungen mit Deep Learning

Qualitätskontrolle von Lötverbindungen mit Deep Learning

Bei Lötverbindungen auf Leiterplatten bedingt der gesetzlich vorgeschriebene Wechsel zu bleifreien Loten erhöhte Ausfallraten. Bei der Festlegung der Prüfkriterien muss der Anwender einen schmalen Grat zwischen zu hohen internen oder zu hohen externen Fehlerraten beschreiten. Eine bei Siemens Smart Infrastructure installierte Visionlösung nutzt Deep Learning, was deutliche Verbesserungen ermöglichte.

Voll integrierte 100% optische Qualitätskontrolle von Lötstellen mittels Deep Learning auf einer Produktionsstraße von Rauchmeldern (Bild: Siemens Smart Infrastructure)

Voll integrierte 100% optische Qualitätskontrolle von Lötstellen mittels Deep Learning auf einer Produktionsstraße von Rauchmeldern (Bild: Siemens Smart Infrastructure)

(Bild: Siemens Smart Infrastructure)

(Bild: Siemens Smart Infrastructure)

 

 

 

 

 

 

„Unser Kunde Siemens Smart Infrastructure stellt auf automatischen Anlagen Rauchmelder für den Brandschutz her“, erklärt BSc FHO Lukas Vassalli, Entwickler bei Compar. Die verwendeten Bauteile werden mithilfe von Bestückungsautomaten auf die Platine gesetzt und anschließend von oben verlötet. Das EU-weite Verbot bleihaltiger Lotlegierungen zwingt die Hersteller zur Verwendung bleifreier Lote, die schlechtere Löteigenschaften haben. Die Folge sind erhöhte Ausschuss- und Ausfallraten. Die Trennschärfe der bisher eingesetzten kameragestützten Visionlösungen stellte die Anwender jedoch nicht zufrieden. Vor allem beim Einsatz für kritische Sicherheitsfunktionen müssen die Prüfkriterien zur ´sicheren´ Seite hin getrimmt werden, da Brandmelder höchste Zuverlässigkeit aufweisen müssen. Dies bedingt jedoch erhöhte Ausschussraten mit entsprechenden Kostennachteilen. Um diese zu verringern, hat man bei Compar bei der Bildanalyse auf Deep Learning gesetzt.

50 Bilder zum Trainieren

„Cognex hat hierfür mit ViDi fertige Softwarepakete in Form von Plug-In-Modulen entwickelt“, so Vassalli. Als hardwareseitige Voraussetzung sollte zumindest in der Trainingsphase eine GPU auf dem eingesetzten Rechner vorhanden sein. Wesentliche Komponente der Software Bibliothek ist ein neuronales Netz, das bereits teilweise vorstrukturiert ist, so dass der Anwender bereits mit einer gewissen Zahl von Bildern als Trainingsmaterial beginnen kann. Bei der Anwendung geht es neben der Beurteilung von Lötverbindungen auch um das Auffinden von Bestückungsfehlern. „Das Gesamtsystem besteht aus der Kamera und einer für die Anwendung ausgelegten Beleuchtungsstation, welche die Platinen aufnimmt, sowie einem Industrie-PC mit dem Visionexpert Programm von Compar“, so Vassalli. Ergänzt wird es durch das ViDi-Paket, das als Black-Box arbeitet. Es analysiert die übergebenen Bilder mithilfe seines neuronalen Netzes und gibt innerhalb von Millisekunden entsprechende Beurteilungen. Vor dem Start wurde das System mithilfe von Musterteil-Bildern vorkonfiguriert. Im laufenden Einsatz kann das System vom Anwender selbst mit neuen Produkten trainiert oder mit Varianten bereits vorhandener Produkte nachtrainiert werden. Für solche Trainingsphasen sind nur wenige Minuten erforderlich. Im vorliegenden Fall genügten etwa 50 Bilder von Gutteilen sowie die gleiche Zahl an Bildern von Schlechtteilen.

Seiten: 1 2Auf einer Seite lesen

Das könnte Sie auch Interessieren