Verlässlichere Fehlerdetektion für Leiterplattenproduktion

Verlässlichere Fehlerdetektion für Leiterplattenproduktion

Die Kooperation des Leiterplattenherstellers Austria Technologie & Systemtechnik AG (AT&S) mit den Bildverarbeitungsspezialisten des Austrian Institute of Technology (AIT) gewährleistet höchste Qualität in der Produktion. Das vom AIT entwickelte Inline Computational Imaging Verfahren verbessert die Erkennung schwierig zu detektierender Fehler in 3D. Kratzer, Mikrorisse und Ähnliches können sogar im µm-Bereich und mit relativ hoher Geschwindigkeit detektiert werden. Machine Learning ermöglicht die automatische Trennung von tatsächlichen Fehlern und sogenannten Pseudo-Fehlern (z.B. Staub). Dadurch kann die Effizienz der Leiterplattenproduktion noch weiter gesteigert werden.

Verbesserte Fehlerdetektion mit Inline Computational Imaging Technologie

Standardsysteme der visuellen Qualitätsinspektion verwenden einen fixen Aufbau mit einer Kamera und einigen Lichtquellen mit festem Winkel zu einander. Die optimale Beleuchtungsrichtung und optimale Inspektionsrichtung hängen aber vom zu inspizierenden Objekt und der zu detektierenden Fehlerart ab und können deshalb variieren. Vorteilhafter – aber deutlich kostenintensiver – wären viele Kameras und Beleuchtungen mit unterschiedlichen Winkeln zum Objekt. Dem AIT ist es jedoch gelungen, mit Hilfe einer einzigen industrietaugliche Multizeilenkamera und nur einer Beleuchtung ein Objekt in der Bewegung (z.B. am Fließband) unter beliebig vielen Winkeln aufzunehmen. Diese Aufnahmen werden mit einem vom AIT entwickelten Verfahren (sogenanntes Inline Computational Imaging) kombiniert und zur 3D Rekonstruktion verwendet. Dadurch werden hochaufgelöste Farbbilder und zusätzlich Tiefenbilder bei hohen Produktionsgeschwindigkeiten erzeugt, die automatische Fehlerdetektion ermöglichen.

Für mehrere unterschiedliche Fehlerklassen auf Leiterplatten, die für AT&S relevant waren, konnte gezeigt werden, dass die Fehlerdetektion durch moderne Methoden der Bildverarbeitung genauer und zuverlässiger funktioniert.

Abb. 1: Inline Computational Imaging stellt eine 3D Rekonstruktion im Mikrometerbereich her, die zur Erkennung des Fehlertyps Offene Plugg verwendet wird (Bild copyright AIT).

Fehlerklassifikation mit Hilfe von Deep Machine Learning

Bisher wurde bei AT&S ein bestehendes automatisches Qualitätsinspektionssystem verwendet. Da dieses System nur eine Betrachtungsrichtung, d.h. Kamera, und eine Beleuchtungsrichtung benutzt, kann aus diesen Bildern keine 3D Information extrahiert werden. Deshalb werden in manchen Fällen Abweichungen – wie etwa Staubpartikel oder Fasern – als Fehler detektiert, die keine tatsächlichen Fehler (wie z.B. Kratzer) sind. Dies passiert, weil die 2D Bilder von Fehlern und Pseudofehlern einander stark ähneln. Daher werden viele Leiterplatten bisher zusätzlich von menschlichen Inspektoren überprüft.

Um Pseudofehler zu vermeiden und daher die Effizienz zu steigern, hat das AIT deshalb ein Machine Learning Framework basierend auf Neuronalen Netzen (CNNs) entwickelt, das den Unterschied zwischen tatsächlichen Fehlern und Pseudofehlern lernt, nachdem die Experten der Qualitätsinspektion bei AT&S annotierte Daten bereitgestellt hatten. Diese Deep Learning Methoden analysieren die tieferen strukturellen Unterschiede und erkennen diese zu ca. 95% korrekt, was ein bemerkenswertes und vielversprechendes Ergebnis ist.

Wirkungen und Effekte

Leiterplattenproduktion kann sich an einem Standort wie Österreich nur halten, durch höchste Qualität, einen hohen Grad an Automatisierung und individuelle Spezialprodukte. Daher ist eine zuverlässige und möglichst vollautomatische Qualitätssicherung und -inspektion wesentlich. Ebenso muss auf Grund der sehr kleinen Losgrößen die Einrichtezeit minimiert werden und das Inspektionssystem möglichst flexibel für unterschiedliche Materialien, Objekte und Fehlerarten verwendet werden können. Bisher konnten kleine Lose nicht automatisiert überprüft werden, da eine sehr aufwändige manuelle Einrichtung die Schwächen des derzeitigen Inspektionssystems ausgleichen musste. Weiters verursachten die vielen Pseudofehler signifikante manuelle Nachprüfung.

Die entwickelten Methoden sind flexibel und ermöglichen es, die Einrichtezeit des Inspektionssystems bei der Prüfung neuer Produkte zu verkürzen. Darüber hinaus können Defekte auf Leiterplatten sicherer detektiert werden. Der Aufwand für Qualitätsprüfung kann dadurch bei erhöhter Zuverlässigkeit deutlich reduziert werden.

Abb. 2: Obere Zeile: 2 Beispiele realer Defekte auf Leiterplatten, untere Zeile:
2 Beispiele von Pseudofehlern (Bilder mit Genehmigung von AT&S).