AOI-Pseudofehler in der SMT: KI-Nachbewertung der Fehlerbilder und GPU an der Linie

Was die KI-Nachbewertung von AOI-Pseudofehlern leistet

Die KI-Nachbewertung von AOI-Pseudofehlern ergänzt die automatische optische Inspektion (AOI) einer SMT-Linie um eine zweite Prüfung: Ein Klassifikator betrachtet jedes Bild, das die AOI markiert hat, und entscheidet, ob es einen echten Fehler oder einen Pseudofehler zeigt, also eine gute Lötstelle oder ein gutes Bauteil, die das Prüfprogramm verworfen hat. Meldungen, die das Modell sicher als Pseudofehler einstuft, werden freigegeben, alle übrigen gehen wie bisher an den Bediener am Verifikationsplatz. AOI, Kameras und Prüfprogramme bleiben unverändert; das Nach­bewertungs­modell wird mit Bildern Ihrer eigenen Leiterplatten trainiert und läuft auf einer kleinen GPU neben der Linie oder auf einem Server im Werk.

Für die Leitung von Fertigung oder Qualität liegt der Gewinn in der Zeit und Aufmerksamkeit der Bediener. Wer Hunderte Pseudofehler pro Schicht bestätigt, sieht echte Fehler weniger sorgfältig an, und jede Meldung kostet Linienzeit. Für IT und Prozesstechnik geht es darum, woher die Bilder kommen, welche Daten das Modell trainieren und welche Karte es betreibt. Diese Seite behandelt beides, für AOI und für die Röntgenprüfung (AXI), und bleibt beim SMT-Fall; unser Leitfaden zum KI-Server für Fertigungsunternehmen behandelt die Bildprüfung im ganzen Werk.

Warum AOI-Programme Pseudofehler erzeugen

Ein AOI-Programm vergleicht gemessene Merkmale jeder Lötstelle und jedes Bauteils, etwa Lage, Form oder Helligkeit, mit Toleranzen und markiert, was außerhalb liegt. Enge Toleranzen finden mehr Fehler und markieren mehr gute Lötstellen, weite Toleranzen das Gegenteil. Eine Studie der Ulster University mit einem britischen Elektronikhersteller und der Monash University, am 6. Mai 2025 auf arXiv veröffentlicht, zeigt die Größenordnung. Für 917 Bauteile enthielt ihr Datensatz 54.019 Pseudofehler und 544 echte Fehler; nach unserer Rechnung waren also etwa 99 von 100 Meldungen Pseudofehler.

Dieselbe Studie zeigt den ersten Schritt vor jeder KI: das Programm optimieren. Mit einem statistischen Verfahren, das Toleranzen aus früheren Prüfdaten ableitete und jeden bekannten Fehler markiert hielt, senkten die Autoren die Pseudofehler beim 80. Perzentil um 18 Prozent und beim 75. um 22 Prozent, ohne dass in der Validierung an fünf unbekannten Bauteilen ein echter Fehler durchrutschte. Ein saubereres Programm bedeutet weniger Bilder für das Nach­bewertungs­modell und weniger Grenzfälle.

AOI-Hersteller bieten eine eigene zweite Prüfung an. Mycronic beschreibt für seine Systeme zwei Schritte: Escape Tracker optimiert Programmparameter und Toleranzen, und DeepReview ist eine laufende Doppelprüfung erkannter Fehler mit Deep Learning, die nach Mycronic „a large majority of false-calls without human intervention“ beseitigt; einen Prozentwert nennt die Seite nicht. Fragen Sie den Hersteller Ihrer AOI, was er für Ihre Modelle und Ihren Softwarestand anbietet, bevor Sie ein eigenes Modell aufbauen.

Wo die Nachbewertung in der Linie sitzt

Die Nachbewertung sitzt zwischen AOI und Verifikationsplatz und sieht nur, was die AOI bereits markiert hat:

1. Die AOI prüft die Leiterplatte und speichert zu jeder Meldung ein Bild mit Position, Bauteilreferenz und Fehlerart.
2. Der Nachbewertungsdienst übernimmt diese Bilder, schneidet den Bereich der Meldung aus und lässt den Klassifikator laufen.
3. Eine Meldung, die mit einer Konfidenz über dem Schwellwert als Pseudofehler eingestuft wird, wird freigegeben und mit dem Bild protokolliert.
4. Jede andere Meldung geht an den Bediener, der sie wie heute bestätigt oder verwirft; diese Entscheidung wird als Label gespeichert.
5. Eine Stichprobe freigegebener Meldungen geht trotzdem an den Bediener, damit die Qualitätssicherung sieht, ob das Modell echte Fehler durchlässt.

Den Schwellwert legt die Qualitätssicherung fest. Ein Modell, das einen echten Fehler freigibt, macht aus einem Pseudofehlerproblem einen Schlupf, und die Ulster-Studie hielt aus diesem Grund jeden bekannten Fehler markiert. Legen Sie den Schwellwert an Validierungsdaten so fest, dass dort kein echter Fehler freigegeben wird, nehmen Sie die verbleibenden Pseudofehler in Kauf, und lassen Sie Schwellwert und Stichprobenumfang je Produktfamilie von der Qualitätssicherung freigeben.

Eigenes Deep-Learning-Modell oder die Option des AOI-Herstellers

Unsere Zusammenfassung; Option des Herstellers wie auf der Webinarseite von Mycronic beschrieben, gelesen am 25. Oktober 2026.

Ein eigenes Modell lohnt sich, wenn ein Werk AOI-Systeme mehrerer Hersteller betreibt, wenn die Leiterplattendesigns von Kunden das Werk nicht verlassen dürfen oder wenn das Team mit Meldungen mehrerer Linien gemeinsam trainieren möchte. Für einen EMS-Dienstleister sind die bestückten Leiterplatten die Designs seiner Kunden und oft durch Geheimhaltungs­vereinbarungen geschützt; das Training auf einem eigenen Server hält diese Frage einfach. Unser Artikel zu Geschäftsgeheimnissen, NDAs und KI-Werkzeugen behandelt sie von der Vertragsseite.

Trainingsdaten: Der Verifikationsplatz labelt sie schon

Ein Nach­bewertungs­modell braucht markierte Bilder mit der richtigen Antwort, und die meisten Linien erzeugen sie in jeder Schicht. Wenn der Bediener eine Meldung als Fehler bestätigt oder als Pseudofehler verwirft, erfasst der Verifikationsplatz die Entscheidung; speichert Ihr System das Bild mit dieser Entscheidung, ist jeder Datensatz ein gelabeltes Beispiel. Exportieren Sie einige Monate an Datensätzen je Produktfamilie, prüfen Sie eine Stichprobe der Labels gemeinsam mit der Qualitätssicherung, und halten Sie die Leiterplatten eines Zeitraums für die Validierung zurück.

Ein veröffentlichtes Röntgenbeispiel gibt eine Vorstellung von der Größenordnung. Forschende der FAU Erlangen-Nürnberg und des Siemens-Werks Amberg stellten auf dem Symposium IEEE SIITME 2020 eine CNN-Nachbewertung der Röntgenprüfung von Lötstellen vor. Sie trainierten mit 6.387 Bildern, skaliert auf 224 × 224 Pixel, einen VGG-16-Klassifikator und berichten 98 Prozent Genauigkeit in zwei von vier Tests, mit fünf Fehlklassifikationen in 647 Testfällen in einem davon. Sie berichten auch: Wurde eine Fehlerart auf null gezwungen, sank die Quote richtiger Entscheidungen bei der anderen. Eine Inferenzzeit nennen sie nicht, und zu den entfernten Pseudofehlern schreiben sie nur von „a significant reduction“ gegenüber kommerziellen Röntgenanlagen.

Kleine Klassifikatoren und Anomaliemodelle eignen sich beide für diese Aufgabe; unsere Leitfäden zu KI-Bildprüfung ohne Data Scientists und zur Anomalieerkennung mit Anomalib behandeln den zweiten Weg, der zum Start nur Gutteile braucht.

Wir liefern die GPUs für die Linie und den Server, der die Nach­bewertungs­modelle trainiert; schicken Sie uns Ihre Linien, AOI-Modelle und Meldungen pro Schicht, und unser Team antwortet mit einer Konfiguration.

Wie viel GPU die Prüfung an der Linie braucht

Sehr wenig je Leiterplatte. Ultralytics veröffentlicht Inferenzzeiten seiner YOLO26-Klassifikationsmodelle bei 224 Pixeln, gemessen mit TensorRT 10 auf einer NVIDIA T4 bei Batchgröße eins: 1,1 ms für YOLO26n-cls mit 2,8 Millionen Parametern, 2,0 ms für YOLO26m-cls mit 11,6 Millionen und 3,8 ms für YOLO26x-cls mit 29,6 Millionen.

Klassifikationsdokumentation von Ultralytics (YOLO26, ImageNet, T4 TensorRT10, Batch 1), gelesen am 25. Oktober 2026; Meldungen je Leiterplatte und Taktzeit sind Beispielwerte; unsere Rechnung. Bildübertragung und Zuschnitt kommen hinzu; messen Sie Ihr eigenes Modell auf der geplanten Karte.

Die Werte gelten für die T4, eine ältere Karte mit 70 W; für die RTX PRO 4000 oder die L4 haben wir keine veröffentlichten Werte dieser Modelle gefunden, testen Sie Ihr Modell also auf der Karte, bevor Sie für alle Linien bestellen. Die Rechnung zeigt trotzdem die Größenordnung: Die GPU-Zeit begrenzt einen Nachbewertungsplatz nicht. Auch der Speicher begrenzt nicht, denn ein Klassifikator mit 29,6 Millionen Parametern ist klein neben 24 GB, und eine Karte kann ein Modell je Produktfamilie halten. Über die Karte entscheidet der Einbauort: der Industrie-PC neben der Linie, ein Edge-Server im Schaltschrank der Linie oder ein Server im Serverraum des Werks.

RTX PRO 4000, RTX PRO 4000 SFF oder L4 an der Linie

NVIDIA-Datenblatt RTX PRO 4000 5323450 (Juni 2026) und Produktseite der L4, gelesen am 25. Oktober 2026; RTX PRO 4000 SFF nach unserer Kartenübersicht; Kühlung der L4 nach NVIDIAs Product Brief, zitiert in unserem Fertigungsleitfaden.

Die NVIDIA RTX PRO 4000 Blackwell ist die übliche Wahl für einen Industrie-PC mit einem Steckplatz in voller Bauhöhe: aktiver Lüfter, ein Slot, ein 16-poliger Stromanschluss und 145 W. Hat der PC oder Schaltschrank nur einen Low-Profile-Steckplatz oder ein knappes Leistungsbudget, erledigt die RTX PRO 4000 SFF dieselbe Aufgabe mit 70 W. Die L4 ist passiv und braucht den Luftstrom eines Servergehäuses; sie gehört in einen Edge-Server und nicht in einen lüfterlosen PC. Keine der drei hat MIG, das diese Aufgabe nicht braucht. Unser Vergleich von RTX PRO 4000 SFF, RTX PRO 2000 und L4 und die technischen Daten der RTX PRO 4000 Blackwell gehen ins Detail.

Eine Karte je Linie hält die Nachbewertung bei einem Ausfall des Werksnetzes in Betrieb, und ein ausgefallener Knoten stoppt nur die Nachbewertung einer Linie; der Bediener sieht dann wie früher jede Meldung. Ein zentraler Server kann die Meldungen mehrerer Linien bewerten, da eine Entscheidung innerhalb von Sekunden für einen Verifikationsplatz schnell genug ist, hängt aber alle Linien an einen Netzpfad. Viele Werke beginnen mit einem PC an der Linie mit den meisten Pseudofehlern und entscheiden nach dem Pilotbetrieb.

Training der Nach­bewertungs­modelle

Das Training läuft abseits der Linie, auf einer Workstation oder einem Server, der die Bilder aller Linien sieht. Klassifikatoren dieser Größe trainieren auf einer einzelnen Karte, und unser Leitfaden zum GPU-Server für das Training von Vision-Modellen behandelt Speicher, Datenladen und die Wahl zwischen zwei und acht Karten. Für ein Werk, das bei neuen Leiterplatten ein Modell je Produktfamilie neu trainiert, betreibt ein Server mit zwei Karten der NVIDIA RTX PRO 6000 Blackwell Server Edition mehrere Trainingsjobs gleichzeitig, jede Karte teilbar in bis zu vier MIG-Instanzen für kleine Jobs, und nimmt nach unserer Schätzung etwa 1,8 kW auf. Ein kleineres Team kann auf einer Workstation beginnen; unsere Seite zum Kauf einer RTX-PRO-4000-Workstation beschreibt eine.

Trainieren Sie neu, wenn sich der Produktmix ändert: Eine neue Leiterplatte, eine neue Bauform, eine neue Lotpaste oder ein neues AOI-Programm können das Aussehen von Pseudofehlern verändern. Lassen Sie das bisherige Modell auf dem Linien-PC, bis das neue an Validierungsdaten und an einer Linie gelaufen ist.

Hinweise für IT und Prozesstechnik

1. Bildexport. Fragen Sie den AOI-Hersteller, wie Bilder und Verifikationsentscheidungen das System verlassen: als Dateien auf einer Freigabe, in einer Datenbank oder über eine Schnittstelle seiner Software. Das bestimmt, wie der Nachbewertungsdienst Meldungen liest und Ergebnisse zurückschreibt.
2. Inferenz. Exportieren Sie das trainierte Modell nach ONNX oder TensorRT und betreiben Sie es mit einem kleinen Dienst oder mit Triton; unser Leitfaden zum Betrieb von Vision-Modellen mit Triton, ONNX und TensorRT behandelt die Optionen. Die oben genannten Zeiten von Ultralytics wurden mit TensorRT 10 gemessen.
3. Netzzone. Der Linien-PC gehört in die OT-Zone der Linie; Modellpakete kommen hinein und Bilder hinaus über einen festgelegten Weg, wie unser Fertigungsleitfaden unter IEC 62443 beschreibt.
4. Versionen. Legen Sie Treiber, CUDA, Container-Image und Modellversion je Linie fest, dokumentieren Sie sie und ändern Sie sie nur in geplanten Stillständen mit Rückfallmöglichkeit.
5. Lizenzen. Ultralytics erklärt, dass trainierte YOLO-Modelle standardmäßig unter die AGPL-3.0 fallen („All Ultralytics YOLO trained models fall under the AGPL-3.0 License by default“) und dass eine Enterprise-Lizenz nötig ist, um YOLO zu nutzen, ohne das gesamte Projekt offenzulegen. Unser Artikel zur Lizenz von Ultralytics YOLO erklärt die Wahl; Ihre Rechtsabteilung entscheidet.
6. Protokolle. Speichern Sie jede freigegebene Meldung mit Bild, Modellversion und Konfidenz, damit die Qualitätssicherung einen späteren Feldausfall bis zur Nachbewertungsentscheidung zurückverfolgen kann.

Was wir liefern

Wir liefern RTX PRO 4000, RTX PRO 4000 SFF und L4 für Industrie-PCs und Edge-Server, die Sie bereits betreiben, nach einer Prüfung von Steckplatz, Leistung und Kühlung, und wir bauen Workstations und KI-Server auf Bestellung für das Training. Die Systeme werden vor der Lieferung montiert und getestet und kommen mit einem EU-Vertrag und einer Rechnung, mit Herstellergarantie auf jede Komponente, abgewickelt über uns; Mengen und Lieferzeit werden mit dem Angebot schriftlich bestätigt. Betriebssystem, Treiber, CUDA und eine Container-Laufzeit werden auf Wunsch installiert.

FAQ