PCB-Hersteller reduziert die Zahl der falschen Ablehnungen um 35 Prozent mit dem Edge AI Vision-System, das die AOI-Ausgabe in Echtzeit filtern kann

Bevor wir etwas bauen konnten, mussten wir genau verstehen, warum die bestehende AOI übermäßig viele Fehler zurückwies. Unser Team war zwei Wochen lang vor Ort und hat Tausende von Bildern gesammelt, die der AOI als fehlerhaft eingestuft hatte.

Wir arbeiteten mit dem QC-Team des Kunden zusammen, um jedes Bild manuell zu klassifizieren: tatsächliche Defekte oder falsche positive Ergebnisse. Die Muster waren klar erkennbar – Lichtvariationen und reflektierte Bleifrei-Lötmasse machten die meisten falschen Ergebnisse aus. Diese Datensammlung bildete die Grundlage für die Modellbildung.

Die zentrale Erkenntnis unserer Analyse war, dass die Beleuchtungsnormalisierung vor der Auswertung stattfinden musste. Software-only-Lösungen konnten die Liniengeschwindigkeit nicht mithalten und gleichzeitig die Änderungen der Umgebungslichtverhältnisse berücksichtigen.

Die NXP i.MX 8M Plus löste diese Herausforderung mit Hardware-ISP-Modulen, die die Korrektur von Objektivverzerrungen und die Weißabgleichsfunktion bei Vollbildraten verarbeiten. Die dedizierte NPU führt anschließend die Auswertung der bereits sauberen Bilder durch. Diese getrennte Architektur – Hardware-Präprocessing plus neuronale Beschleunigung – war für die Echtzeitperformance unerlässlich.

Generische Objekterkennungsmuster konnten die Unterschiede zwischen tatsächlichen Lötfehlern und den komplexen Reflexionen, die durch leitungsfreie Verbindungen entstehen, nicht zuverlässig erkennen. Wir haben eine MobileNet SSD-Architektur speziell auf die Fehlerarten des Kunden trainiert: Lötbrücken, Tombstoning, unzureichende Feuchtigkeitspflege und kalte Fügestellen.

Mit dem eIQ Toolkit von NXP haben wir das Modell für die NPU-Intelligenz optimiert und eine Klassifizierungsgeschwindigkeit erreicht, die mit der Geschwindigkeit des Konverters vergleichbar war. Das Modell lernte, die spezifischen Reflexionsmuster der Leiterplattenlötfüllung des Kunden zu erkennen – genau die Muster, die bisher die Standard-AOI täuserten.

Der letzte Schritt war die Verbindung des Kantensystems mit den bestehenden Förderbandsteuerungen. Wir implementierten eine direkte GPIO-Signalierung an den PLC der Linie, was eine automatische Sortierung der Platine ohne Eingriff des Bedieners ermöglicht.

Der Arbeitsablauf ist einfach: Wenn die primäre AOI-Funktion eine Platine markiert, analysiert unser System das Bild erneut. Wenn das ML-Modell es als falsches Positive klassifiziert, signalisiert dies dem PLC, dass die Platine weiter im Durchlauf geführt werden soll. Nur Platinen, die als tatsächlich fehlerhaft bestätigt wurden, werden für eine manuelle Überprüfung weitergeleitet – wodurch über 35% der falschen Ablehnungen, die die Überprüfungskette verstopften, eliminiert werden.