Optical Inspection Methods for the Quality Verification of Printed Circuit Boards and Polymer Components

Die Qualitätsprüfung ist ein wichtiger Teil in der industriellen Fertigung. Sie dient zur Bestimmung die Qualität der gefertigten Produkte und wird meist durch eine optische Inspektion durchgeführt. Durch steigenden Wettbewerb der Unternehmen werden die Anforderungen an die Qualitätsprüfung immer höher, wodurch die wissenschaftliche Forschung in diesem Bereich mehr Aufmerksamkeit erhalten hat. Die Anwendung von Deep Learning Methoden in der optischen Inspektion erhöhte das Interesse weiter. Die optische Inspektion mit Deep Learning Methoden gliedert sich in einen Hardware-Teil und einen Software-Teil. In dieser Arbeit werden beide Bestandteile untersucht. Es wurde ein hochauflösendes Inspektionskonzept für die Inspektion von Leiterplatten-Arrays entwickelt, das Defekte im Mikrometerbereich auf den Goldbereichen auf Leiterplatten, welche hochreflektierend sind, detektiert. In weiterer Folge wurden Photometric Stereo Methoden für die Sichtbarmachung von topografischen Defekten auf Leiterplatten untersucht. Topografische Defekte sind unerwünschte Anomalien, die entweder als Vertiefung oder als Erhebung in der Oberfläche auftreten. Nicht-topografische Defekte hingegen zeichnen sich durch eine abweichende Farbe im Vergleich zur restlichen Oberfläche aus. Für die Sichtbarmachung der topografischen Defekte wurde traditionelle Photometric Stereo und ein bestehendes Neural Inverse Rendering Framework verwendet. Es konnte gezeigt werden, dass die Defekte in der Normal Map sehr gut erkennbar sind. In der Methode mit dem Neural Inverse Rendering Framework konnten die Defekte auch in einer Depth Map dargestellt werden. Allerdings waren die Ergebnisse bei dieser Methode nur teilweise reproduzierbar, da das verwendete Framework zu wenig an die Inspektionsumgebung angepasst wurde. Zur Detektion und Klassifikation von topografischer und nichttopografischer Leiterplattendefekte wurde ein Convolutional Neural Network (CNN) verwendet. Als Input diente dem CNN ein 6-Kanal Bild, das sich aus der Normal Map und einem Mean Image zusammensetzt. Das Mean Image wird aus dem Mittelwert der Photometric Stereo-Bildaufnahmen berechnet und macht die nicht-topografischen Leiterplattendefekte sichtbar. Mit dem trainierten CNN konnte eine Vorhersagegenauigkeit von 95 % auf den Testdatensatz erreicht werden. Beim Training von CNNs werden zu Beginn Hyperparameter definiert, diese sind ein relevanter Bestandteil beim Erreichen einer optimalen Vorhersagegenauigkeit. In dieser Arbeit wurde die Vorhersagegenauigkeit auf einem industriellen Datensatz unter Variation der Hyperparameter Batch Size und Learning Rate untersucht. Die Ergebnisse zeigen, dass mit kleinen Batch Sizes und kleinen Learning Rates der höchste F1-Score und True Positive Rate erreicht werden konnten. Die Leistungsfähigkeit des CNN-Trainings hängt stark vom Datensatz ab. Das Model lernt anhand des Trainingsdatensatz, Vorhersagen über die Bauteilqualität zu treffen. Wenn zwischen Trainings- und Testdatensatz Abweichungen auftreten, wird die Vorhersagegenauigkeit reduziert. Die Generalisierungsfähigkeit von CNNs beschreibt die Leistungsfähigkeit von CNNs auf ungesehenen Testdaten. In dieser Arbeit wurde die Generalisierungfähigkeit eines vortrainierten und eines nicht vortrainierten CNNs bei der Vorhersage von Topografieparametern unter Abweichungen zwischen Trainings- und Testdatensatz untersucht. Der verwendete Datensatz besteht aus Bauteilserien, die im Schaumspritzgussverfahren hergestellt wurden. Durch Variation der Werkzeugtemperatur konnten Veränderungen in der Oberflächentopografie erreicht werden. Die Bauteile besitzen sechs verschiedene Oberflächenstrukturen. Von jeder dieser Oberflächenstruktur wurden Topografieparameter mittels optischen Mikroskops für den Datensatz gemessen. Zum Testen der Generalisierungsfähigkeit wurde eine spezielle Trainingsstrategie durchgeführt. Als Ergebnis wurde festgestellt, dass die Vorhersage bei höheren Werkzeugtemperaturen am genauesten für das vortrainierte und das nicht vortrainierte CNN waren. Bei niedriger Werkzeugtemperatur und einer kompakt gespritzten Bauteilserie war die Bestimmung der Topografieparameter am ungenauesten.