FOCUS – GASTBEITRAG 22 / UdZ 02.23 Künstliche Intelligenz kann die Produktqualität in der LCD-Herstellung verbessern. Der Einsatz fortschrittlicher Techniken der Künstlichen Intelligenz in realen Produktionslinien wird jedoch erschwert. Im wettbewerbsintensiven Umfeld der LCD-Herstellung für Smartphones, Monitore usw. müssen hohe Qualitätsstandards eingehalten werden. Diese Prozesse erfordern Präzision im Mikrometerbereich und sind sehr anfällig für Defekte, die z. B. durch Fremdkörper oder Fotolackreste verursacht werden. Daher ist die Verringerung der Ausschussrate von entscheidender Bedeutung, um den Ertrag im wettbewerbsintensiven Marktumfeld zu steigern. Der Einsatz von KI- basierten Fehlerprüfsystemen erlaubt, die Genauigkeit und Robustheit der Fehlererkennung zu verbessern, die Prüfzeit und -kosten zu reduzieren und letztendlich die allgemeine Produktqualität und Kundenzufriedenheit zu erhöhen. Trotz ihrer Vorteile hat sich die Technologie jedoch noch nicht vollständig in realen Produktionslinien durchgesetzt. Einer der Hauptgründe für den begrenzten Einsatz von KI-Technologie in der Qualitätskontrolle ist die Tatsache, dass KI immer noch manuelle Arbeit für die Vorbereitung der Datensätze erfordert. Das Rückgrat der KI-basierten Bilderkennungsalgorithmen sind unüberwachte Lern- methoden wie Convolutional Neural Networks (CNNs). Um CNNs auf die Produktionslinie anzuwenden, müssen sie auf Fehlerbilddaten trainiert werden. Dafür werden Fehlerbilddaten von der Produktionslinie gesammelt. Für gängige KI-Anwendungen werden 10 000 bis 30 000 Fehlerbilder für das Training benötigt. Die Bilddaten müssen für das Training vorbereitet werden, indem jedes Bild mit den Informationen versehen wird, die das KI-Modell zum Erlernen der Muster benötigt. Die KI-Fehlerprüfung für komplexe Anwendungsfälle erfordert Klassenlabels und Fehlermaskenlabels, die beide manuell ermittelt werden. Auf der einen Seite ordnen die Klassen-Labels jedes Bild einer bestimmten Fehlerklasse zu, z. B. aufgrund seiner Herkunft oder der betroffenen Materialien. Ein:e Expert:in ordnet also gemäß Artificial intelligence can improve product quality in LCD manufacturing. However, their adoption of artificial intelligence techniques in real production lines is still hindered. In the competitive environment of LCD manufacturing for smartphones and monitors etc., high quality standards must be met. These processes require precision at the micrometer level and are very susceptible to defects caused, for example, by foreign particles or photoresist residue. Therefore, reducing product scrap rates is critical to enhance yield in the competitive market landscape. By using AI-based defect inspection systems, managers have the potential to improve defect detection accuracy and robustness, reduce inspection time and costs, and ultimately enhance overall product quality and customer satisfaction. However, despite its benefits, the technology still has not been fully adopted in real production lines. One of the primary contributing factors to the limited use of AI-technology in quality control is, that AI requires manual labor for the preparation of the datasets. The backbone of AI-based image recognition algorithms are unsupervised learning methods such as Convolutional Neural Networks (CNNs). To apply CNNs to the production line, CNNs need to be trained on defect image data. Therefore, defect image data is collected from the production line. Common AI applications require 10,000 – 30,000 defect images for training. The image data needs to be prepared for the training by labeling each image with information that is required for the AI model to learn the patterns. AI defect inspection for complex use cases requires class labels and defect mask labels that are both obtained manually. On the one side, class labels allocate each image to a certain defect class based on e. g. its origin or affected materials. A domain expert, therefore, assigns each defect image to a defect class according to a defect catalog that has been elaborated before. On the other side, the defect mask label represents Figure 1 and 2: Quality inspection is crucial in LCD manufacturing
RkJQdWJsaXNoZXIy NzcyMw==