LeddsResycl
LAUFZEIT:
01/2025
—
06/2025
Projektlaufzeit gesamt:
6 Monate
Beispielbild für gebrauchte Leiterplatten Credit: pexels/Vlad
Das Projekt
Das Projekt LeddsResycl entwickelte eine KI-basierte Lösung zur Erkennung von Bauteilen auf Leiterplatten und zur Klassifizierung von Defekten und Wiederverwendbarkeit. Dies ist ein entscheidender Beitrag zur Reduzierung von Elektronikschrott und zur Förderung der Kreislaufwirtschaft. Der innovative Ansatz kombiniert zwei Methoden: die präzise Erkennung seltener Defekte mit wenigen Trainingsdaten (Few-Shot-Learning) und die Verwendung synthetisch generierter Trainingsdaten für unterrepräsentierte Defekte.
Tests haben gezeigt, dass die Verwendung synthetischer Daten die Unterscheidung zwischen beschädigten und intakten Bauteilen verbessert. Die KI-basierte Erkennung unterstützt auch die Identifizierung falscher oder nicht annotierter Daten. Mögliche Anwendungsbereiche reichen vom Recycling bis zur industriellen Qualitätskontrolle. LeddsResycl leistet damit einen konkreten Beitrag zur Kreislaufwirtschaft, zur Ressourcenschonung und zur technologischen Souveränität Europas.
Unsere Tätigkeiten im Projekt
JOANNEUM RESEARCH hat Methoden zur Detektion von Elektronikkomponenten in Bilder sowie deren Klassifikation nach Defekten entwickelt. Unsere Experten*innen arbeiten mit einem Datensatz für die Leiterplatteninspektion, der vom ENFIELD-Projekt bereitgestellt wird und eine Reihe von verbrannten ICs mit sichtbaren schwarzen Flecken auf der Oberfläche sowie eine Reihe von ICs mit gebrochenen und verschmolzenen Pins enthält. Die synthetischen Defekte führen zu dunklen Brandspuren auf den ICs und verursachen Pin-Verformungen. Die Kopier-Einfüge-Erweiterung erfordert das Zuschneiden, z. B. eines einzelnen ICs aus einem neuen Bild, dessen Annotation und das Speichern in der Bibliothek. Darüber hinaus kann die Annotation mit vorab zugeschnittenen Inhalten effizient mit Modellen wie SegmentAnything durchgeführt werden.
Forschungsgruppen
Downloads
Auftraggeber
European Commission (ENFIELD Project Cascading Grant)
Projektpartner
Details zum Projekt
LeddsResycl befasst sich mit dem Anwendungsfall von Leiterplatten (PCBs), die am Ende ihrer Lebensdauer zerlegt werden, um wieder verwendbare Komponenten aus den Platinen zurückzugewinnen und defekte Teile zu entsorgen. Dies erfordert ein System zur Identifizierung und Klassifizierung von PCB-Komponenten, was ein klassisches Problem der Objekterkennung darstellt, mit dem Unterschied, dass nur sehr wenige Muster defekter Teile für das Training zur Verfügung stehen.
Trainingsmuster für Defekte sind in der Regel selten, und oft weisen Defekte desselben Komponententyps ein deutlich unterschiedliches Erscheinungsbild auf. Für einen bestimmten Ausfallmodus gibt es sogar noch weniger Muster. Im Rahmen des Projekts haben wir zwei Techniken zur Datenvergrößerung entwickelt und evaluiert, um mit kleinen Datensätzen bei der Inspektion von Leiterplatten umzugehen. Der erste Ansatz synthetisiert automatisch Defekte auf annotierten Instanzen intakter Objekte, der zweite ist eine Variante der Kopier-Einfüge-Vergrößerung, die eine kontinuierliche Verbesserung des Modells mit geringem Aufwand ermöglicht.
Die Verwendung der oben genannten Datenerweiterungsschritte beim Training verbessert in allen Fällen die Leistung. Die Kopier-Einfüge-Erweiterung zeigt einige schwache Gewinne, auch wenn hauptsächlich die schwierigen Beispiele aus dem Trainingssatz wiederholt werden. Durch das Einfügen zusätzlicher, außerhalb der Verteilung liegender Beispiele in bestehende Trainingsbilder können jedoch weitere signifikante Verbesserungen erzielt werden, was darauf hindeutet, dass dies tatsächlich eine praktikable Möglichkeit ist, die Trainingsdaten durch Online-Feedback zu erweitern. Insgesamt gelingt es mit den Augmentationsstrategien, die bereits starken mAP-Werte von 78,4 auf 89,1 im Datensatz des ENFIELD-Projekts zu verbessern, wodurch das automatische PCB-Inspektionssystem zu einem praktikablen Ansatz für den vorgesehenen Anwendungsfall wird.
Fördergeber
The LEarning Defect Detection from Samples with REduced size and SYnthetiC Labelled data (LeddsResycl) has received funding from the European Union, via the oc1-2024-TIS-01 issued and implemented by the ENFIELD project, under the grant agreement No 101120657.