Seit der Revolution des maschinellen Lernens und der hochauflösenden Bildverarbeitung wird die Qualitätskontrolle in vielen Branchen zu einem automatisierten Prozess. Es ist nicht mehr erforderlich, eine manuelle visuelle Prüfung ausgewählter Einheiten durchzuführen, da die neuen bildverarbeitenden Algorithmen durch die Überprüfung jeder einzelnen Einheit Herstellungsfehler erkennen können. Der gleiche Prozess wird mittlerweile auch zur Identifikation von Fälschungen innerhalb der Lieferkette verwendet.
Grundlagen der Bilderkennung für maschinelles Lernen
Algorithmen des maschinellen Lernens (ML) nutzen unfassbar große Datenmengen einer spezifischen Domäne, um die Prozesse zum Erhalt noch effizienterer Ergebnisse zu optimieren. ML-Systeme trainieren sich selbst, um Muster und Zusammenhänge, die Datenpunkte verbinden, erkennen zu können. Dazu sind robuste Algorithmen, große Datensätze relevanter Informationen, eine begrenzte Domäne und ein konkretes Ziel vonnöten.
In den Augen einiger der führenden ML-Unternehmen und Forschern ist das Deep Learning eine bahnbrechende Technologie, die zur Revolutionierung Hunderter von Branchen genutzt werden kann. Der Großteil der theoretischen Arbeit wurde bereits erledigt. Jetzt ist es an der Zeit, ML tatsächlich zu nutzen und in nachhaltige Geschäftsmodelle zu verwandeln.
Für die Bilderkennung ist es unerlässlich, alle Bilder korrekt zu identifizieren, um diejenigen auszumachen, die für den Datensatz relevant sind. Je mehr Beispielen von korrekten Bilder ein ML-basiertes System ausgesetzt ist, desto präziser kann es sich im Einsatz Muster aneignen und Unterschiede identifizieren.
ML-Algorithmen für die Fehlererkennung auf Leiterplatten
Auch wenn die automatisierte visuelle Prüfung von Leiterplatten in den letzten Jahren deutliche Fortschritte gemacht hat, zeigen einige Studien, dass Deep Learning die herkömmlichen maschinellen Klassifizierungs- und Merkmalextraktionsalgorithmen an Leistung übertrifft.[1]
In den meisten Fertigungseinrichtungen von Leiterplatten werden Fehler zunächst von einer Maschine für automatische optische Inspektion (AOI) erkannt. Ein Ingenieur für Qualitätsprüfung überprüft daraufhin jede gemeldete Leiterplatte.
Leider kann es vorkommen, dass die AOI-Maschine viele Platten aufgrund eines Kratzers, eines kleinen Lochs oder vorhandenen Nanopartikeln, wie Staub, Papierfragmenten oder winzigen Luftblasen, irrtümlich als fehlerhaft einstufen. Zudem machen auch kompetente Ingenieure bei der Prüfung immer noch Fehler. Aus diesem Grund ist die Verwendung von angemessen trainierten ML-Systemen unbedingt erforderlich, damit die Genauigkeit der Qualitätskontrollverfahren verbessert werden kann.
Im vergangenen Jahr veröffentlichten Forscher der Yuan-Ze-Universität in Taiwan eine Studie, in der sie mithilfe von Convolutional Neural Networks (zu Dt.: faltende neuronale Netzwerke) auf Grundlage von You Only Look Once (YOLO) eine Fehlererkennungsgenauigkeit von 98,79 % bei Leiterplatten erzielten.[2]
Im Vergleich zu anderen einfachen Klassifikatoren ist YOLO in der Praxis weitverbreitet. Es handelt sich dabei um ein einfaches, einheitliches Objekterkennungsmodell, das direkt unter Verwendung von Vollbildern trainiert werden kann. Fast YOLO ist der schnellste universell einsetzbare Objekt-Detektor. Im Vergleich zu anderen Erkennungssystemen YOLOv2 bietet den besten Kompromiss zwischen Echtzeitgeschwindigkeit und Genauigkeit bei der Objekterkennung in verschiedenen Erkennungs-Datensätzen.
Ihrer wissenschaftlichen Arbeit zufolge setzte das Team 11.000 Bilder, ein Netzwerk aus 24 Faltungsebenen und zwei vollständig vernetzte Ebenen ein. Als Training des Tiny-YOLOv2-Algorithmus verwendeten die Forscher das Keras-Framework[3], das auf einer Titan-V-GPU von NVIDIA ausgeführt wurde.
Betrugserkennung, Fälschungen und Komponentenleistung
Im Jahr 2019 meldete die Organisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD), dass nachgeahmte und unerlaubt hergestellte Waren 3,3 % des Welthandelsvolumens ausmachen. Dieser Anteil steigt jedes Jahr weiter an. Das Land, das von Fälschungen am meisten betroffen ist, ist die USA. Ihre Marken und Patente wurde mit 24 % der beschlagnahmten gefälschten Produkte in Verbindung gebracht.[4]
Die Elektronikindustrie gehört zu den am meisten von gefälschten Produkten betroffenen Branchen. Da der Preis der wesentlichen Komponenten steigt und es immer wieder Störungen in der Lieferkette gibt, kommen viele Fälschungen auf den Markt, um diese Lücke auszufüllen. Erschwerend kommt hinzu, dass es beinahe unmöglich ist, die meisten gefälschten Komponenten von den Originalteilen zu unterscheiden.
Die Fälschungserkennung bei Endprodukten, speziell in Zusammenhang mit Verbraucherprodukte, kann durch eine visuelle Prüfung erreicht werden. Zur Unterscheidung zwischen einem gefälschten und einem authentischen Produkt ist jedoch ein geschultes Auge und Fachwissen erforderlich.
Der Vorteil der Bilderkennung ist in diesem Zusammenhang enorm. ML-Algorithmen können Millionen von Bildern analysieren und selbst die kleinsten Unstimmigkeiten und Anomalien hinsichtlich Form, Farbe, Textur und Größe erkennen.
Im Zusammenhang mit elektronischen Komponenten wird es immer schwieriger, einfach nur eine visuelle Prüfung vorzunehmen. Der Markt ist überschwemmt von gefälschten Gerät und Altbeständen. Die Verwendung von gefälschten oder gebrauchten Teilen könnte zu Geräte- und Vermögensschäden, Rückrufaktionen sowie möglichen Haftungen führen.
Neben der Bilderkennung sind auch noch andere Methoden und ML-Algorithmen erforderlich, um die Genauigkeit bei der Erkennung gefälschter oder modifizierter Teile zu verbessern. In den vergangenen Jahren ist die Blockchain-Technologie zu einer der wichtigsten Lösungen auf dem Markt geworden, die zum Schutz der Echtheit von Produkten und Komponenten sowie zur Sicherung der Lieferkette eingesetzt werden.
IBM kombiniert zur Verifizierung der Echtheit von Produkten beispielsweise die Blockchain-Technologie mit Bildverarbeitung und künstlicher Intelligenz. Bei seinem Crypto Anchor Verifier[5] setzt das Unternehmen maschinelles Lernen, neuronale Netzwerke und Videoanalytik ein, um die Eigenschaften von Flüssigkeiten zu bewerten sowie Farbe, Sättigung, Viskosität und andere chemische Eigenschaften zu identifizieren. Dies dient insgesamt dazu, noch besser herausfinden zu können, ob ein Produkt gefälscht oder echt ist. Darüber hinaus kann diese Lösung so trainiert werden, dass sie elektrische Muster in den elektronischen Komponenten erkennt und so neue Teile von vorherigen Generationen derselben SKU unterscheiden kann.
Die Rolle von KI und ML in der Lieferkette befindet sich erst am Anfang
Jüngst haben die durch die Pandemie entstandenen Störungen der globalen Lieferkette viele Anbieter und Hersteller dazu gezwungen, sich anderweitig nach Produkten und Komponenten umzusehen. Die Nutzung der neuesten Technologien und des maschinellen Lernens kann dabei helfen, gefälschte Teile zu umgehen und eine schnellere, effizientere und genauere Qualitätskontrolle durchzuführen.
Die Genauigkeit von Bilderkennung und ML wird immer besser und schneller. Daher beginnen viele Branchen damit, diese für die Qualitätskontrolle und Fälschungserkennung einzusetzen.
Es ist zu erwarten, dass weitere Branchen ihren Betrieb in die Cloud verlagern und so die Verfügbarkeit von Trainingsdaten erhöhen. Da die Fähigkeiten von KI und ML exponentiell wachsen, besteht für diese Lösung das Potenzial, den zuvor erwähnten Branchen dabei zu helfen, die Qualität und Leistung ihrer Produkte zu verbessern.
[1] Bengio, Y., Courville, A., Vincent, P.: Representation Learning: A Review and New Perspectives. In: IEEE Trans. Pattern Anal. Mach. Intell. 2013, http://doi.org/10.1109/TPAMI.2013.50
[2] Defect Detection in Printed Circuit Boards Using You-Only-Look-Once Convolutional Neural Networks. https://doi.org/10.3390/electronics9091547
[3] „Keras: the Python deep learning API.” https://keras.io/.
[4] OECD/EUIPO (2019): Trends in Trade in Counterfeit and Pirated Goods, Illicit Trade. Veröffentlichung durch OECD, Paris, https://doi.org/10.1787/g2g9f533-en.
[5] „IBM Crypto Anchor Verifier - Overview | IBM”, https://www.ibm.com/products/verifier.