Die Ausgangslage
Manuelle Endkontrolle findet die offensichtlichen Fehler und übersieht die subtilen – und mit fortschreitender Schicht wird es nicht besser. Klassische regelbasierte Bildverarbeitung beherrscht eine feste Platinenrevision gut, doch jede neue Variante bedeutet wochenlanges Nachjustieren von Schwellwerten und Templates.
Ziel war ein Detektor, der Fehler aus Beispielen lernt, auf einem kleinen Rechner direkt neben der Kamera läuft und mit einer Linie bei 48 Teilen pro Minute Schritt hält – mit einer Entscheidung für jede einzelne Platine statt für eine Stichprobe.
Was wir gebaut haben
- Ein einstufiger Detektor, trainiert auf 41.200 annotierten Bildern aus drei Fertigungslinien: Lötbrücken, fehlende Bauteile, Versatz, Oberflächenkratzer und die Klasse „OK“.
- Umfangreiche Augmentierung für Beleuchtung, Kamerawinkel und Platinenrotation, damit das Modell stationsübergreifend generalisiert, statt eine Kamera auswendig zu lernen.
- INT8-Quantisierung mit TensorRT, kalibriert auf 2.000 repräsentativen Bildern: 11,4 ms mediane Inferenzzeit auf einem Jetson Orin NX ohne messbaren Genauigkeitsverlust.
- Eine Live-Ansicht für das Bedienpersonal mit Bounding-Boxen, Konfidenz und Schweregrad, ein automatisches Ausschleus-Signal an die Linien-SPS und eine Prüfwarteschlange für Grenzfälle, die in die nächste Trainingsrunde einfließen.
Ergebnisse
Auf einem zurückgehaltenen Testset mit 6.140 Bildern erreicht der Detektor 0,962 mAP@50 bei einer Präzision je Klasse zwischen 0,92 und 0,99. In der Linie prüft er 100 % der Platinen statt einer Stichprobe, und die Prüfwarteschlange wurde zum Schwungrad: Jede Korrektur des Bedienpersonals ist ein neues gelabeltes Beispiel, und das Modell wurde seit dem Go-live viermal nachtrainiert, ohne die Hardware anzufassen.
Eine neue Platinenrevision kostet heute einen Nachmittag Labeling und einen Trainingslauf – statt wochenlanger Schwellwert-Abstimmung.