11-2023

Bildverarbeitung
Deep Learning
optimiert die Bildverarbeitung
Mit minimalem Aufwand zur optimalen Fehlererkennung auf EL Bildern
FPGA IP CORES
Lösungen für Machine
Vision Applikationen
GIGE VISION, USB3 VISION, COAXPRESS,
COAXPRESS-OVER-FIBER,
SONY IMX PREGIUS AND MIPI CSI-2
MBJ Solutions optimiert die Bildverarbeitung
in der Produktion bei 3S Swiss Solar Solutions
in Thun mit Hilfe von neuronalen Netzen. Durch
das Anlernen von kundenspezifischen, relevanten
Fehlerbildern konnte die Fehlererkennungsrate
deutlich optimiert werden.
Im Produktionsprozess werden hochauflösende
Bilddaten, die mit einem MBJ Elektrolumineszenzsystem
aufgenommen wurden, in
Sekundenbruchteilen durch den Einsatz von
durch künstlicher Intelligenz erstellten neuronalen
Netzen ausgewertet und die gefundenen
Fehler in den Bildern markiert. Ein fehlerhaftes
Modul wird so schnell und sicher erkannt und auf
einen Reparaturplatz weitergeleitet. Dort werden
der Fehler und der Ort des Fehlers auf einem
Monitor angezeigt und es kann gezielt repariert
werden. Erst dann wird das Modul weiter
zum Laminieren geschickt. Die erkannten Fehler
werden zudem genutzt um Prozessschritte,
die vor dieser Inspektion liegen, zu korrigieren
und zu verbessern.
Wie funktioniert es?
MBJ Solutions stellt jedem Kunden ein vortrainiertes
neuronales Netzwerk zur Verfügung,
mit dem typische Fehler wie Mikrorisse, dunkle
MBJ Solutions GmbH
info@mbj-solutions.com
www.mbj-solutions.com
Bereiche und Lötfehler sicher erkannt und klassifiziert
werden. Dieses Netzwerk kann bei Bedarf
durch den MBJ Solutions Support mit Hilfe des
Kunden oder auch vom Kunden selbst weiter
angepasst werden. Vor Ort wird zusammen mit
dem Kunden ermittelt, welche Defekte für ihn am
kritischsten sind. Daraufhin werden Daten direkt
aus der Produktionslinie gesammelt und analysiert.
Die Netzwerke werden vom MBJ Experten
trainiert, installiert und ausgewertet um die
Fehlererkennungsrate zu beurteilen. Zusätzlich
wurden die von 3S definierten Qualitätskriterien
für fehlerhaft einzustufende Module in
der Maschine hinterlegt.
Welche Vorteile bietet MBJ
mit Deep Learning?
Neuronale Netze erkennen die Defekte schneller,
besser und immer gleich. Sie reduzieren
gleichzeitig die Pseudofehlerrate erheblich.
Bemerkenswert ist, dass die künstliche Intelligenz
sehr robust gegenüber Variationen im
Zellmaterial ist. Die aufwändige und fehlerhafte
Optimierung früherer Bildverarbeitungssysteme
mit langen Listen von Parametern entfällt vollständig.
Für eine Optimierung sind nur weitere
Beispielbilder notwendig.
Im Gegensatz zur klassischen Bildverarbeitung
kann die künstliche Intelligenz mit wenig
Aufwand um weitere Defektklassen nach Kundenanforderungen
erweitert werden. Schon
wenige Beispielbilder genügen, um eine neue
Defektklasse anzulegen. ◄
MVDK
Machine Vision
Development Kit
• Alle gängigen Machine-Vision
Schnittstellen verfügbar auf einer
einzigen Entwicklungskarte
• Mit GigE Vision, CoaXPress und USB3
Vision kompatible Plattform
• Sony IMX Pregius- und MIPI CSI-2-
Evaluierungsplattform
• GigE Vision bis zu 10 Gbit/s, CoaXPress
bis zu CXP-12
• Unterstützung für Enclustra Mercury
FPGA-Module mit AMD und Intel-FPGAs
Custom Design
• Sensor to Image kann seinen Kunden
jetzt kundenspezifische Designservices
anbieten.
• Globale Fachkompetenz in den
Anwendungsbereichen Automobile,
Industrie, Medizin, Sicherheit, Militär
und Raumfahrt, um Ihren spezifischen
Anforderungen und Anfragen
nachzukommen.
PC & Industrie 11/2023 31
www.euresys.com/s2i