Alida Ilse Maria Schwebig

Deep Learning-basierte Optimierung der automatischen optischen Qualitätssicherung in einer Elektronik-Fertigung


Front	Back

ISBN:

978-3-8440-8025-4

Series:

Schriftenreihe des Instituts für Produktionsmesstechnik
Herausgeber: Prof. Dr.-Ing. Rainer Tutsch
Braunschweig

Volume:

Keywords:

Künstliche Intelligenz; Optische Qualitätssicherung; Elektronikfertigung

Type of publication:

Thesis

Language:

German

Pages:

264 pages

Figures:

90 figures

Weight:

392 g

Format:

21 x 14,8 cm

Bindung:

Paperback

Price:

49,80 € / 62,30 SFr

Published:

May 2021

Buy:

Download:

Available PDF-Files for this title:

You need the Adobe Reader, to open the files. Here you get help and information, for the download.

These files are not printable.


	Document		Document
	Type		PDF
	Costs		37,35 EUR
	Action		Purchase in obligation and display of file - 5,3 MB (5505876 Byte)
	Action		Purchase in obligation and download of file - 5,3 MB (5505876 Byte)


	Document		Table of contents
	Type		PDF
	Costs		free
	Action		Display of file - 341 kB (349496 Byte)
	Action		Download of file - 341 kB (349496 Byte)

User settings for registered users

You can change your address here or download your paid documents again.

User:	Not logged in.
Actions:	Login / Register Forgotten your password?

Recommendation:

You want to recommend this title?

Review copy:

Here you can order a review copy.

Link:

You want to link this page? Click here.

Export citations:

Text
BibTex
RIS

Abstract:

Eine der größten Herausforderungen bei der Fertigung von Elektronikprodukten für den Automotive-Bereich liegt in der Sicherstellung der Funktionalität des Endproduktes. Die uneingeschränkte Zuverlässigkeit der Automobilelektronik ist maßgeblich für die Sicherheit aller Verkehrsteilnehmer. Folglich ist die Überwachung der Produktqualität in diesem Sektor von höchster Wichtigkeit. Aus diesem Grund werden automatische, optische Inspektionssysteme als zerstörungsfreie Prüfprozesse in den Fertigungslinien integriert, um Fehler an der Leiterplatte, den Bauteilen oder Lötstellen in Echtzeit zu identifizieren. Viele optische Prüfprozesse weisen zum aktuellen Zeitpunkt noch einige Problemstellungen auf, die mit bisherigen Methoden nicht vollständig zufriedenstellend gelöst werden können. Während die meisten optischen Prüfprozesse nur die bloße Existenz eines Fehlers bestimmen können, bietet der zusätzlich Einsatz von mit künstlicher Intelligenz gestützten Klassifizierungssystemen eine Möglichkeit, die genauen Details über den Qualitätszustand der Baugruppen in Erfahrung zu bringen. Im Rahmen dieser Dissertation wird ein auf Deep Learning gestütztes Klassifizierungs-Konzept als zusätzliches Prüfverfahren für die Echtzeitanalyse von elektrischen Baugruppen im Produktionsumfeld vorgestellt, um die Prüfgenauigkeit der Prozesse weiter zu erhöhen und das Risiko von unentdeckten oder falsch diagnostizierten Fehler zu minimieren. Dabei wird gezeigt, dass die Qualitätssicherung sowohl die Digitalisierung als auch die Automatisierung der Produktionsanlagen entscheidend mitbestimmt.