Leiterplatten sind das Nervensystem aller elektronischen Geräte und müssen höchste Qualitätsstandards erfüllen. In der Qualitätskontrolle werden diese fotografiert und laufen danach durch eine Bildanalyse-Software. Mithilfe von Bilderkennung werden fehlerhafte Leiterplatten erkannt und können aussortiert werden. Mitunter kam es dabei zu unklaren Software-Meldungen, warum eine Leiterplatte als fehlerhaft erkannt wurde.
Techniker und Künstliche Intelligenz sind einer Meinung
„Unser Ziel war es, die fehlerhaften Leiterplatten präzise zu erkennen und die Ergebnisse nachvollziehbar zu machen. Es freut uns, dass wir nicht nur das Vorhaben erfolgreich umsetzen konnten, sondern unsere Ergebnisse auch mit den Aussagen der AT&S Techniker übereinstimmen“, sagt Dr. Andreas Trügler, Leiter des DDAI-Moduls am Know-Center und erklärt weiter: „Zuerst musste unser Algorithmus verstehen, welche Leiterplatten fehlerhaft waren und warum. Dazu trainierte das Team ein neuronales Netzwerk und fütterte es mit Bilddaten korrekter und fehlerhafter Leiterplatten. Mithilfe von Methoden aus dem Forschungsfeld ‚Explainable AI‘ konnten wir zusätzlich die Erklärung liefern, warum und wo eine Leiterplatte als fehlerhaft erkannt worden ist.“
Die Sprache der Zukunft: „Produktion 4.0“
Die Digitalisierung in der Produktion ermöglicht Qualitätssicherung auf höchstem Niveau. Mit Projekten wie diesen, bringt man Vertrauen und Akzeptanz in digitale Lösungen. Zukünftig will man gemeinsam mit AT&S und weiteren Industriepartnern des Moduls weitere Projekte in Richtung „Trustworthy AI“ vorantreiben.