Optische Inspektion Als die Maschinen selbst kleine Bauteile sehen konnten

Anbieter zum Thema

Micro-Epsilon Messtechnik GmbH & Co. KG

FAULHABER Antriebssysteme

IBR Leiterplatten GmbH & Co. KG

Kleine Bauteile und winzige Lötstellen auf Platinen machen eine manuelle Inspektion mit bloßem Auge nahezu unmöglich. Bis Bilder von Maschinen verarbeitet werden konnten, war es allerdings ein weiter Weg.

Eine Leiterplatte ist ein filigranes Gebilde. Tausende winzige Bauteile sitzen auf wenigen Quadratzentimetern, Lötstellen sind so schmal wie ein Haaransatz, die Baugrößen mit bloßem Auge kaum noch zu erkennen. Wer sichergehen will, dass jede Lötstelle sitzt, jedes Bauteil richtig herum aufgebracht ist und kein Kurzschluss vorliegt, hat genau zwei Möglichkeiten: Entweder die Platine Stück für Stück unter dem Mikroskop inspizieren oder die Maschine sehen lassen.

Heute ist die automatische optische Inspektion (AOI) Standard. In nahezu jeder modernen SMT-Linie befindet sich ein AOI-System, das die Platinen mit hochauflösenden Kameras und spezialisierten Lichtquellen untersucht. Das war jedoch nicht immer so. Damit Maschinen überhaupt sehen lernten und damit die Elektronikfertigung revolutionierten, musste ein massives Problem gelöst werden. Es hieß: SMD.

Vom Auge zur Linse

In den 1980er-Jahren begann in der Elektronikfertigung ein fundamentaler Umbruch. Die herkömmliche Durchsteckmontage (THT), bei der Bauteile mit Drahtanschlüssen durch Löcher geführt und von Hand oder mit Wellenlötanlagen verlötet wurden, wich Schritt für Schritt der Oberflächenmontage, der Surface Mount Technology oder kurz SMT. Es gab keine Drahtbeine mehr, sondern nur noch winzige Metallkappen (Pads). Die Bauteile wurden nicht mehr auf der Rückseite verlötet, sondern auf der Bestückungsseite. Plötzlich passten Hunderte Bauteile auf dieselbe Fläche, die vorher nur ein Dutzend aufgenommen hatte.

Das war Segen und Problem zugleich. Denn was man nicht mehr mit den Fingern greifen konnte, das konnte man auch nicht mehr mit bloßem Auge zuverlässig prüfen. Eine durchschnittliche SMT-Linie bestückte damals bereits 10.000 bis 40.000 Bauteile pro Stunde. Ein Mensch schafft vielleicht 200 Lötstellen pro Minute. Doch ab Minute fünf steigt die Fehlerquote rasant an. Studien aus den späten 1980er-Jahren zeigten, dass selbst ein erfahrener Prüfer nach 30 Minuten Konzentration am Mikroskop 20 bis 30 Prozent der Defekte übersah.

Gleichzeitig schrumpften die SMD-Baugrößen von 1206 (3,2 mm x 1,6 mm) über 0805 auf 0603 – letztere sind mit 1,6 mm x 0,8 mm etwa so groß wie ein Stecknadelkopf. Wer solche Bauteile auf Lotbrücken, Versatz oder das gefürchtete „Tombstoning“ (Aufrichten von Bauteilen beim Löten) prüfen wollte, brauchte mehr als nur Konzentration. Das menschliche Auge war schlicht zu langsam und zu ungenau. Die Industrie brauchte ein neues Sinnesorgan.

Wie das Gehirn Bilder verarbeitet

Dass Maschinen überhaupt sehen lernten, dafür brauchte es einen Mann, der verstand, wie das menschliche Gehirn Bilder verarbeitet. Dr. Robert J. Shillman war Dozent für menschliche visuelle Wahrnehmung am Massachusetts Institute of Technology (MIT). 1981 gründete er in Natick, Massachusetts, ein Unternehmen, das sich der industriellen Bildverarbeitung verschrieb: Cognex. Der Name leitet sich von „Cognition Experts“ ab. Mit seinen gesamten Ersparnissen entwickelte Shillman die ersten Machine-Vision-Systeme. Zunächst für einfache Aufgaben wie die Prüfung von Automobil-Armaturen, das Lesen von Etiketten oder die Inspektion von Oberflächen.

Doch damit war die technologische Basis geschaffen: Eine Kamera nimmt ein Bild auf, ein Algorithmus vergleicht es mit einem Referenzbild und trifft eine Entscheidung: Gut oder schlecht. Vorhanden oder fehlend. Das erste kommerzielle System von Cognex prüfte noch keine Elektronik, sondern Glühlampenkontakte bei einem Automobilzulieferer. Entscheidend war das Prinzip: Ein CCD-Sensor löste ein Bild auf, ein Motorola-68000-Prozessor verglich es mit einem hinterlegten Muster und lieferte ein binäres OK/NOK-Signal in unter einer Sekunde. Was heute vielleicht lächerlich anmutet, war 1982 ein Novum. Cognex ging 1989 an die NASDAQ und war das erste börsennotierte Unternehmen der Machine-Vision-Branche. Im Jahr 1994 knackte es die 100-Millionen-Dollar-Umsatzmarke und war unbestrittener Marktführer. Die Maschine hatte jetzt sehen gelernt.

Tausende Platinen pro Tag

Mit den 1990er-Jahren kam der weltweite SMT-Boom. Während Bildverarbeitung zuvor eine Spezialdisziplin war, wurde sie jetzt zum prozesskritischen Faktor. EMS-Dienstleister brauchten Inspektionssysteme, die sich einfach bedienen ließen. In Deutschland wurde 1991 Göpel electronic in Jena, einer Stadt mit langer optischer Tradition, als Spin-off der Zeiss Mess- und Prüftechnik gegründet. Bereits 1992 eröffnete das Unternehmen das Geschäftsfeld „Digitale Bildverarbeitung“.

1996 folgte in München MVTec Software, gegründet von Dr. Olaf Munkelt und seinem Team. Mit der Softwarebibliothek HALCON brachte MVTec Maschinen die Bildverarbeitung bei – herstellerunabhängig, skalierbar und bald weltweit im Einsatz. Zum Durchbruch verhalf der Branche eine Erfindung, die simpel wirkt, aber physikalisch entscheidend ist: die Mehrwinkel-Beleuchtung. Eine Lötstelle reflektiert das Licht anders als ein blankes Pad; ein fehlendes Bauteil wirft einen anderen Schatten als ein verkantetes.

Moderne AOI-Systeme setzen bis zu acht unabhängige Beleuchtungsringe mit RGB-LEDs ein. Jede Wellenlänge bringt andere Defekte zum Vorschein: Blau zeigt Oberflächenkontraste, Rot durchdringt Lötstopplack und macht darunter verborgene Brücken sichtbar. Erst diese Kombination aus Optik, Licht und Software machte AOI zu dem, was sie heute ist: ein System, das Tausende Platinen pro Tag sichtet und Fehler im Mikrometerbereich erkennt.

Der Sprung in die dritte Dimension

Um 2007 begann die nächste Evolution: Koh Young brachte mit der Zenith-Serie das erste echte 3D-AOI auf den Markt. Anstelle eines zweidimensionalen Vergleichs maß das System mithilfe von Streifenlichtprojektion die tatsächliche Höhe jeder Lötstelle. Eine kalte Lötstelle sieht von oben oft aus wie eine gute, aber ihre Höhe und Textur sind anders. Der Tombstone-Effekt lässt sich im 2D-Bild kaum von einer korrekten Bestückung unterscheiden, aber das Höhenprofil verrät ihn sofort. Seither unterscheidet die Branche zwischen 2D-AOI (schnell, kostengünstig, gut für Standardfehler) und 3D-AOI. Letzteres bietet Erkennungsraten von 98 bis 99 Prozent bei gleichzeitig extrem niedrigen Fehlalarmraten (unter 100 ppm). Ein modernes 3D-AOI-System schafft heute je nach Prüftiefe zwischen 120 und 300 Platinen pro Stunde. Ergänzt wird es oft durch die automatische Röntgeninspektion (AXI), die auch unter BGAs blickt, wohin kein Licht mehr reicht.

Der nächste Schritt mit KI

Zehn Jahre nach dem 3D-Boom begann die jüngste Transformation: Deep Learning. Klassische AOI arbeitet regelbasiert: Weicht die Pixelmenge um mehr als einen Schwellwert ab? Das funktioniert, solange der Fehler vorhersehbar ist. KI-basierte AOI mit Convolutional Neural Networks (CNN) stellt eine andere Frage: „Sieht das aus wie ein Fehler, auch wenn ich diesen speziellen Defekt noch nie gesehen habe?“ Anstatt Tausender manuell programmierter Prüfregionen lernt das System anhand gelabelter Beispieldaten, wie eine ideale Lötstelle aussieht. Es erkennt Anomalien, für die nie jemand eine Regel definiert hat. Erste Anwendungen zeigen, dass KI-gestützte AOI die „False-Call-Rate“ (Pseudofehler) noch einmal halbieren kann. Das verändert die Rolle der Maschine grundlegend: von einem programmierten Werkzeug, das nur findet, wonach es sucht, zu einem lernenden Partner, der sieht, was vorher niemand vorhersehen konnte. (heh)

35 Jahre Göpel electronic

Von der Zeiss-Forschungsabteilung zum globalen Test-Pionier

(ID:50866881)