Durch Einsatz von künstlicher Intelligenz konnte die etablierte und bewährte Inspektionsleistung der MBJ Elektrolumineszenz-Tester nochmals erheblich verbessert werden.
Wie funktioniert es?
MBJ Solutions stellt ein vortrainiertes neuronales Netzwerk zur Verfügung, mit dem typische Fehler wie Mikrorisse, dunkle Bereiche und Lötfehler sicher erkannt und klassifiziert werden.
Warum ist es besser?
Neuronale Netze erkennen die Defekte besser und reduzieren gleichzeitig die Pseudofehlerrate erheblich.
Bemerkenswert ist, dass die künstliche Intelligenz sehr robust gegenüber Variationen im Zellmaterial ist. Die aufwändige und fehleranfällige Optimierung der Bildverarbeitungsparameter entfällt vollständig. Für eine Optimierung sind lediglich einige weitere Beispielbilder notwendig.
Im Gegensatz zur klassischen Bildverarbeitung kann die künstliche Intelligenz mit wenig Aufwand um weitere Defektklassen nach Kundenanforderungen erweitert werden. Schon wenige Beispielbilder genügen, um eine neue Defektklasse anzulegen.
Der Kunde stellt einen Beispielkatalog von Bildern im niedrigen zweistelligen Bereich nach seinen Anforderungen zusammen. Er markiert in diesen Bildern die Defekte. Ein neuronales Netz wird auf diese Beispiele optimiert und das erlernte Netz kann im Kundensystem verwendet werden.
Was sagt der Kunde?
Jun Hong, Process Engineer der REC Gruppe: “Die Auswertesoftware von MBJ hat sich durch den Einsatz von Deep Learning nochmals erheblich verbessert. Vor allem die automatische Smart Wire-Erkennung und Kontrolle auf Basis des Deep Learning ist eine wirklich hilfreiche Funktion.”
Ing. Rene Battistutti, CEO bei Energetica, Österreich: “In einer Industrie 4.0 Zero-Emission-Fabrik benötigen wir den höchsten Automatisierungsgrad der technisch möglich ist. Mit der von MBJ entwickelten künstlichen Intelligenz bei den EL-Testern sind wir in der Lage objektiv ohne menschliche Kompromisse die Qualität unserer Produkte zu beurteilen. Dies ermöglicht uns höchste Prozessstabilität bei geringstem Personaleinsatz.“
Wie funktioniert es?
MBJ Solutions stellt ein vortrainiertes neuronales Netzwerk zur Verfügung, mit dem typische Fehler wie Mikrorisse, dunkle Bereiche und Lötfehler sicher erkannt und klassifiziert werden.
Warum ist es besser?
Neuronale Netze erkennen die Defekte besser und reduzieren gleichzeitig die Pseudofehlerrate erheblich.
Bemerkenswert ist, dass die künstliche Intelligenz sehr robust gegenüber Variationen im Zellmaterial ist. Die aufwändige und fehleranfällige Optimierung der Bildverarbeitungsparameter entfällt vollständig. Für eine Optimierung sind lediglich einige weitere Beispielbilder notwendig.
Im Gegensatz zur klassischen Bildverarbeitung kann die künstliche Intelligenz mit wenig Aufwand um weitere Defektklassen nach Kundenanforderungen erweitert werden. Schon wenige Beispielbilder genügen, um eine neue Defektklasse anzulegen.
Der Kunde stellt einen Beispielkatalog von Bildern im niedrigen zweistelligen Bereich nach seinen Anforderungen zusammen. Er markiert in diesen Bildern die Defekte. Ein neuronales Netz wird auf diese Beispiele optimiert und das erlernte Netz kann im Kundensystem verwendet werden.
Was sagt der Kunde?
Jun Hong, Process Engineer der REC Gruppe: “Die Auswertesoftware von MBJ hat sich durch den Einsatz von Deep Learning nochmals erheblich verbessert. Vor allem die automatische Smart Wire-Erkennung und Kontrolle auf Basis des Deep Learning ist eine wirklich hilfreiche Funktion.”
Ing. Rene Battistutti, CEO bei Energetica, Österreich: “In einer Industrie 4.0 Zero-Emission-Fabrik benötigen wir den höchsten Automatisierungsgrad der technisch möglich ist. Mit der von MBJ entwickelten künstlichen Intelligenz bei den EL-Testern sind wir in der Lage objektiv ohne menschliche Kompromisse die Qualität unserer Produkte zu beurteilen. Dies ermöglicht uns höchste Prozessstabilität bei geringstem Personaleinsatz.“
