Oberflächeninspektion von Leiterplatten

Allied Visions Manta-Kamera und KI-Algorithmen (Künstliche Intelligenz) finden Oberflächenfehler bei Leiterplatten

Typischer PCB-Fehler (Printed Circuit Board)

PCB-Inspektion mit Hilfe von SuaKIT und einer Manta Kamera

Auf Künstlicher Intelligenz basierendes Defektinspektionssystem von G4 Technology

In den letzten fünf Jahrzehnten lagen die Vorteile der taiwanesischen Leiterplattenindustrie in ihrer vollständigen und zentralisierten Lieferkette, der Qualitätskontrolle und der engen Beziehung zu China. Seit 2010 hält die Industrie 30% Marktanteil am globalen Leiterplattenmarkt. Dank der rasanten Entwicklung von High-End-Mobiltelefonen in den letzten Jahren überschritt der industrielle Wert der gesamten PCB-Lieferkette 2017 in Taiwan und China zusammen 30 Milliarden Dollar und erreichte damit ein historisches Höchstniveau.

Die Leiterplattenindustrie ist eine der wettbewerbsfähigsten Branchen in Taiwan. Automated Optical Inspection (AOI)-Anlagen sind dabei für die Verbesserung der Produktionskapazität und des Ausbeutegrads der Produkte von entscheidender Bedeutung. AOI-Anlagen können mitten in Produktionslinien platziert werden, um Halbfabrikate zu prüfen, ohne die Produktionskapazität zu beeinträchtigen. Die AOI-Ausrüstung ist somit eine wichtige Investition in den Herstellungsprozess von Leiterplatten und stellt mit 15% einen vergleichsweise hohen Anteil an der Gesamtinvestitionssumme dar.


Probleme und Herausforderungen
AOI ist eine automatisierte visuelle Inspektion, die die Oberfläche einer Leiterplatte scannt, um ein eindeutiges Bild zu erhalten. Abhängig von der Bildverarbeitungstechnologie können AOI-Geräte dann prüfen, ob Fehler wie Kurzschlüsse, übermäßiges oder unzureichendes Kupfer, offene Stromkreise, Kerben, Grate, Kupferschlacken, fehlende Komponenten und Verformungen vorliegen. Da es eine Vielzahl von Oberflächenfehlern gibt, ist die Inspektion schwieriger als bei allgemeinen elektronischen Bauteilen.

Derzeit sieht sich die AOI-Inspektion mit dem Phänomen des überhöhten Ausschusses konfrontiert. Aufgrund der extrem hohen Anforderungen sind die Designparameter von AOI-Geräten sehr streng. So kommt es durch die Überempfindlichkeit der Geräte zu einem übertriebenen Ausschuss. Laut Statistik beträgt die Fehlerquote bei den "Nicht-in-Ordnung-Teilen" bis zu 70%, was bedeutet, dass 70% der aussortierten Halbfabrikate fehlerfrei sind. Deswegen muss eine zweite manuelle Überprüfung erfolgen, um zwischen echten und fälschlicherweise erkannten Fehlern zu unterscheiden, bevor sie in die Produktionslinie zurückkehren.


KI-System zur Fehlerinspektion von G4 Technology
G4 Technology Co. Ltd. in Taiwan bietet Bildverarbeitungslösungen für die industrielle Bildverarbeitung und für AOI-Systeme. Zudem unterstützt es als Dienstleister Unternehmen bei der erfolgreichen Anwendung der Bildverarbeitungstechnologie. Das Unternehmen führt in der Fertigung strenge Qualitätskontrollen durch, um nicht nur die Ertragsrate und die Produktionseffizienz zu verbessern, sondern auch die Inspektionskosten effektiv zu senken.

Vor Kurzem hat G4 Technology sein KI-Defektinspektionssystems vorgeführt. Dieses System besteht aus der Industriekamera Manta G-032C von Allied Vision, einem hochauflösenden Fujifilm-Objektiv und der visuellen Inspektionssoftware SuaKIT AI von SUALAB mit dem neuesten Deep-Learning-Algorithmus. Das System kann in Echtzeit Bilder erfassen und PCB-Fehler prüfen, erkennen, markieren und klassifizieren.

Die von SUALAB entwickelte Deep-Learning-Technologie nutzt ein künstliches neuronales Netzwerk zur Analyse von PCB-Bildern. Im Vergleich zur herkömmlichen visuellen Technologie kann dieses Fehlerprüfsystem komplexe Bilder analysieren, deutlich die Fähigkeit zur Bildinterpretation sowie die Genauigkeit der automatischen visuellen Inspektion verbessern und eine automatische Klassifizierung von Fehlern durchführen. Die erforderlichen Bilddaten in der Anfangsphase des Deep-Learning-Algorithmus variieren mit unterschiedlicher Komplexität der Bilder. In der Regel werden 50 bis 100 Bilder benötigt, so dass dieses System problemlos mit kundenspezifischen Fehlerstandards umgehen kann.


Hochwertige Manta-Kamera sorgt für Genauigkeit und Stabilität bei der PCB-Inspektion
Im AI Defect Inspection System von G4 Technology kommt die hochwertige Industriekamera Manta G-032C mit einer Auflösung von 656 × 492 Pixeln (0,3 Megapixel) zum Einsatz. Mit 80 Bilder pro Sekunde bietet sie eine Bildrate, die den normalen Anforderungen genügt. Im Allgemeinen wird nach 15 Minuten ein Modell des entsprechenden neuronalen Netzwerks erstellt. Danach können 80 Bilder pro Sekunde gesammelt und in Echtzeit auf einer Produktionslinie verarbeitet werden.

"Als wir uns für die Manta-Kamera für diese PCB-Inspektionsdemo entschieden haben, haben wir vor allem die Anforderungen an eine hohe Geschwindigkeit bei der Echtzeit-Inspektion berücksichtigt. Dies machte es notwendig, Bilddaten schnell und in kleinen Bildern zu übertragen. Dieser Kameratyp hat eine vergleichsweise hohe Bildrate und erfüllt somit die Anforderungen an die Inspektionsgeschwindigkeit", betont Herr Ken Chou, der General Manager von G4 Technology. "Darüber hinaus sind die Allied Vision-Kameras aufgrund ihrer deutschen Qualität und Stabilität am besten mit dem KI-Prüfalgorithmus kompatibel. Tatsächlich können fast alle Allied Vision Kameraserien je nach Anwendung als ideale Wahl für die Leiterplatteninspektion angesehen werden. Wenn Kunden beispielsweise hohe Anforderungen an die geprüfte Bildqualität haben, kann eine hochauflösende Kameraserie von Allied Vision wie Prosilica GT eingesetzt werden."

Die Manta ist die vielseitigste GigE Vision-Kameraserie von Allied Vision. Zahlreiche modulare Optionen, darunter Winkelkopf- und Platinenversionen, ermöglichen die Integration der Kamera in nahezu jede Anwendung. Der erweiterte Funktionsumfang der Manta, einschließlich Mehrkamerasynchronisation, Benutzerführung und Ethernet-Triggerfunktion, vereinfacht die Einrichtung von Mehrkamera-Anwendungen und ermöglicht es, den Verkabelungsaufwand und die Kosten zu reduzieren.