Aktualisiert Juli 2026 · 8 Min. Lesezeit · Mert Aytunur · Mechanical Engineer, University of Illinois Chicago
Die meisten Bildverarbeitungsprobleme drehen sich darum, einen Fehler zu entdecken. An einer ausgelasteten Elektroniklinie kommt das härtere Problem zuerst: Der Board-Mix ändert sich schneller, als ein festes Programm folgen kann. Genau dort beginnt es sich auszuzahlen, ein gutes Board zu lernen, statt jeden Fehler zu beschreiben.
Warum überfordert High-Mix-Leiterplattenbestückung ein festes AOI-Programm?
Regelbasierte automatische optische Inspektion (AOI) wird Board für Board programmiert. Ein Ingenieur definiert, wo jedes Bauteil sitzt, wie eine gute Lötstelle aussieht und welche Toleranz jedes Merkmal hat, und stimmt das Programm ab, bis sich der Pseudoausschuss beruhigt. An einem stabilen Board in hoher Stückzahl zahlt sich das aus. Die Schwierigkeiten beginnen mit High-Mix-Fertigung in Kleinserien, wenn eine Linie viele Boardtypen in kurzen Läufen fährt und eine neue Revision eintrifft, bevor das letzte Programm abgestimmt ist. Jedes neue Board ist ein weiterer Programmierauftrag, und für einen Fehler, den niemand vorhergesehen hat, existiert keine Regel, die ihn fängt.
Genau diese Lücke füllt die KI-Anomalieerkennung. Statt einer Regel pro Merkmal lernt das Modell aus Beispielen, wie ein gutes Board aussieht, und markiert alles, was abweicht; so fängt es erstmals auftretende Fehler, für die nie eine Regel geschrieben wurde. Adente Vision ist eine Edge-KI-Einheit für die visuelle Inspektion, entwickelt von ADENTE Advanced Engineering Technologies innerhalb der Aden Group und vertrieben über Automatisierungs-Systemintegratoren; die Anomalieerkennung ist einer von fünf Prüfmodi, die sie an der Linie ausführt. Die beiden Ansätze bleiben komplementär: Behalten Sie die AOI für die bekannten, messbaren Prüfungen, die sie gut beherrscht, und ergänzen Sie die Anomalieerkennung für die High-Mix-Boards und die seltenen Fehler, die einem festen Programm entgehen.
Wie fängt KI-Anomalieerkennung einen Lötfehler, für den sie nie programmiert wurde?
Die Anomalieerkennung bewertet, wie weit ein Teil vom Gutzustand abweicht, statt es einem Katalog benannter Fehler zuzuordnen, eine Aufgabe, die an öffentlichen Datensätzen wie dem MVTec-AD-Datensatz gemessen wird. Das Modell baut aus guten Beispielen ein Bild eines korrekten Boards auf und stuft dann jedes neue Board nach seiner Abweichung ein. Eine Lötbrücke, eine unzureichende oder kalte Lötstelle, Tombstoning, ein verschobenes Bauteil: Jedes liest sich als Abweichung vom gelernten Normalzustand und überschreitet die Anomalieschwelle, selbst beim allerersten Auftreten genau dieses Fehlers. Weil das Modell nur mit Gutteilen trainiert, genügen rund 20 gute Referenzboards für den Start, und das Training ist in unter 48 Stunden abgeschlossen; das macht aus einer neuen Revision eine Zwei-Tage-Aufgabe statt eines monatelangen Datensammelprojekts. Welche 20 Boards Sie wählen, zählt mehr, als ihre Zahl zu erhöhen, denn bei einem so kleinen Satz zählt Datenqualität mehr als Datenmenge, und ein einziges schlecht beleuchtetes oder still fehlerhaftes Board verschiebt das gelernte Normal.
Ein Punkt der Ehrlichkeit zur Geschwindigkeit: Das gemessene Feldergebnis liegt bei rund 30 ms pro Teil, die Kataloggrenze bei 0,5 s pro Teil bei 100+ Teilen pro Minute. Verstehen Sie das als Rahmen, nicht als Versprechen. Die Zahl, auf die Sie sich für ein bestimmtes Board und eine bestimmte Beleuchtung festlegen können, erfordert eine anwendungsspezifische Messung an Ihrer eigenen Linie. Die vollständige Methode hinter dem Lernen eines Teils aus einer Handvoll guter Boards beschreibt der Leitfaden zur KI-Sichtprüfung.
Kann sie fehlende Bauteile und falsche Orientierung nur aus guten Boards verifizieren?
Anwesenheit, Fehlen und Orientierung sind Erkennungsprüfungen, die die Einheit aus korrekten Boards lernt; sie braucht also keinen Katalog jeder falschen Bestückung. Sie lernt, wie ein vollständig bestücktes, korrekt orientiertes Board aussieht, und markiert dann einen fehlenden Steckverbinder, einen fehlenden Kondensator, ein verdrehtes oder verkehrt herum bestücktes Bauteil als Abweichung, mit einer Konfidenz pro Teil, auf die Sie handeln können. Oberhalb der Schwelle passiert das Board; unterhalb wird es für einen zweiten Blick auf einen sicheren Standard geleitet, statt in eine Klasse gezwungen zu werden, sodass ein verdächtiges Board ausgeschleust wird, bevor es Reflow oder den Endtest erreicht. Wie Few-Shot-Training aus einer Handvoll guter Teile funktioniert, zeigt der Beitrag wie Sie ein Teil mit nur 20 Bildern prüfen.
Wo gewinnt regelbasierte AOI, wo KI-Anomalieerkennung?
Keiner der beiden Ansätze ersetzt den anderen an einer Elektroniklinie. Regelbasierte AOI ist die schnellere, besser wiederholbare Wahl für stabile, spezifizierte Prüfungen; KI-Anomalieerkennung deckt die High-Mix-Boards und die unbekannten Fehler ab, die ein festes Programm nicht beschreiben kann. Die Tabelle unten zeigt, wo sich jeder Ansatz seinen Platz verdient.
| Dimension | Regelbasierte AOI | KI-Anomalieerkennung |
|---|---|---|
| Prüft am besten | Bekannte, spezifizierte Merkmale und Messungen | Erstmals auftretende und kosmetische Abweichungen, die keine Regel beschreibt |
| Einrichtung pro Board | Ein Programm, Merkmal für Merkmal geschrieben und abgestimmt | Rund 20 gute Boards, Modell in unter 48 Stunden bereit |
| High-Mix, Kleinserie | Ein neues Programm für jedes Board und jede Revision | Lernt jedes gute Board, trainiert aus 20 Bildern neu |
| Seltene oder neue Fehler | Übersehen, wenn keine Regel dafür existiert | Als Abweichung vom Gutzustand markiert |
| Beste Rolle an der Linie | Schnelle, wiederholbare Prüfungen an stabilen Boards | Ergänzende Abdeckung für High-Mix und unbekannte Fehler |
In der Praxis ergänzt ein Werk die KI-Stufe schrittweise an einer bestehenden AOI-Station, behält die deterministischen Prüfungen, denen es bereits vertraut, und legt die gelernte Abdeckung darüber, statt eine funktionierende Linie zu ersetzen.
Welche Optik und Beleuchtung braucht glänzendes Lot?
Lot ist spiegelnd, das Bild hängt also mehr von der Beleuchtungsgeometrie ab als vom Modell. Eine helle, spiegelartige Lötstelle unter falschem Licht geht entweder im Glanz unter oder verbirgt einen Hohlraum, und kein Training holt Details zurück, die die Kamera nie erfasst hat. Die Einheit trägt eine Kamera mit bis zu 12 MP, Global Shutter und C-Mount-Objektiv, sodass ein bewegtes Board ohne Verwischen eingefroren wird und kleine Merkmale auflösbar bleiben. Die Beleuchtung ist in Farbe und Winkel konfigurierbar, über diffuse, gerichtete und koaxiale Geometrien bei 24 V: Koaxiales Licht passt zu flachem, spiegelndem Lot und Pads, gerichtetes Licht im flachen Winkel hebt Kratzer und abgehobene Anschlüsse hervor, und diffuses Licht gleicht matte und gewölbte Oberflächen aus. Eine Vorschau auf dem Gerät lässt eine Person Licht und Bildausschnitt im Aim-Schritt direkt an der Linie einstellen, sodass die Beleuchtung dort abgestimmt wird, wo das Board tatsächlich läuft, nicht an einem Labortisch.
Wie bindet sich die AV-S100 in eine Elektroniklinie ein?
Die AV-S100 ist die Standard-Industrieeinheit (IP54, 0–45 °C) für eine trockene Elektronikmontage- oder Verpackungszelle, und sie fügt sich ohne separaten PC und ohne Cloud-Abhängigkeit ein. Sie überträgt Gut/Schlecht- und codierte Ergebnisse über die fünf Industrieprotokolle, die sie spricht (PROFINET, EtherNet/IP, Modbus TCP, EtherCAT oder OPC UA), mit 4 Eingängen und 4 Ausgängen bei 24 V für diskrete Signale und die Ausschleusung. Die Inferenz läuft auf einem lüfterlosen Board der Jetson-Klasse (8–16 GB) im Gehäuse; genau das macht Entscheidungen pro Teil im Linientakt möglich, ohne dass ein Lüfter Staub in die Zelle zieht.
Die Einheit wiegt unter 9 kg und wird von einer Person in rund 30 Minuten montiert. Jedes Board-Bild wird auf der Einheit verarbeitet, sodass Rohbilder, die für einen Auftragsfertiger sensibles Kunden-IP sind, die Linie nie verlassen. Sehen Sie, wo sich die AV-S100 in die reale Systemhardware einfügt, oder ergänzen Sie KI-Prüfung neben der AOI, die Sie bereits betreiben.