← Alle Beiträge
Technologievergleich
Regelbasierte AOI im Vergleich zur Deep-Learning-Prüfung
Wir haben bereits AOI-Anlagen. Gibt es einen Grund, auf KI-Prüfung umzusteigen?
Der Unterschied zeigt sich, wenn sich die Beleuchtung ändert oder ein neuer Fehler auftritt. Regelbasiert heißt: Algorithmus neu schreiben; Deep Learning heißt: trainieren. Am stärksten sind die Argumente an Linien, an denen Pseudofehler die Arbeit bereits wieder an den Menschen zurückgeben.
Begriffe
- AOI (Automated Optical Inspection)
- Anlage, die ein Bauteil fotografiert und sein Erscheinungsbild bewertet
- Regelbasiert
- Bewertung anhand vom Menschen festgelegter Bedingungen — Schwellwerte, Formregeln
- Pseudofehler
- Gutteile werden als fehlerhaft bewertet. Verursacht Nachprüfaufwand
- Schlupf
- Fehlerhafte Teile werden als gut bewertet. Führt zu Reklamationen
- Segmentierung
- Pixelweise Abgrenzung des Fehlerbereichs zur Bestimmung von Position und Fläche
Was sich tatsächlich unterscheidet
- Änderung von Beleuchtung und Lage
- Regelbasiert empfindlich / Deep Learning robust
- Neuer Fehlertyp
- Regelbasiert: Algorithmus-Update nötig / Deep Learning: Training mit ~5 Bildern
- Komplexe Strukturen (BGA, QFN)
- Regelbasiert schwer klassifizierbar / Deep Learning klassifiziert
- Quantifizierung eines Fehlers
- Regelbasiert schwierig / Deep Learning liefert Fläche und Position pro Pixel
- Erkennungsauflösung
- Regelbasiert meist 5+ Pixel nötig / DSTEK erkennt ab 2–3
Wann sich ein Wechsel nicht lohnt
- Ein einziges Produkt, feste Beleuchtung und über Jahre unveränderte Fehlerarten — dann reicht regelbasierte Prüfung aus.
- Ebenso bei Prozessen, die nur Maße prüfen und keine Oberflächenbewertung vornehmen.
- Wechseln die Produktvarianten dagegen häufig, kommen ständig neue Fehlertypen hinzu oder sind Mitarbeitende mit dem Nachprüfen von Pseudofehlern gebunden, ist die Sache klar.
Zugehörige Produkte und Lösungen
Wissen