Mit Computer Vision zur automatisierten Qualitätssicherung in der industriellen Fertigung: Eine Fallstudie zur Klassifizierung von Fehlern in Solarzellen mittels Elektrolumineszenz-Bildern

Abstract

Zusammenfassung Die Qualitätssicherung bei der Produktion von Solarzellen ist ein entscheidender Faktor, um langfristige Leistungsgarantien auf Solarpanels gewähren zu können. Die vorliegende Arbeit leistet hierzu einen Beitrag zur automatisierten Fehlererkennung auf Wafern, indem Elektrolumineszenz-Bilder eines realen Herstellungsszenarios mithilfe von verschiedenen Computer-Vision-Modellen klassifiziert werden. Die Herausforderung besteht hierbei nicht nur darin, defekte Wafer von funktionsfähigen zu separieren, sondern gleichzeitig auch zwischen spezifischen Fehlerarten zu unterscheiden, während geringe Inferenzzeiten sicherzustellen sind. Zu diesem Zweck werden neben einfachen statistischen Modellen verschiedene Deep-Learning-Architekturen auf Basis von Convolutional Neural Networks (CNNs) verprobt und miteinander vergleichen. Ziel der Arbeit ist es, verschiedene Klassifizierungsansätze unterschiedlicher Komplexität zu testen und auf ihre praktische Einsatzfähigkeit unter realen Bedingungen zu untersuchen. Die Fallstudie zeigt, dass je nach Situation unterschiedliche Modelle ihre Existenzberechtigung haben und in Kombination sehr gute Ergebnisse erzielen. So lassen sich bereits mit statistischen Modellen und einfachen CNN-Varianten zuverlässige Aussagen mit Genauigkeiten von über 99 % bei Fehlertypen einfacher bis mittlerer Erkennbarkeit

A Light in the Dark: Deep Learning Practices for Industrial Computer Vision

“…While automated quality control is common in many industries [27][28][29], the PV industry is lacking behind because of complex production environments. Consequently, the PV industry often still relies on manual human controls of PV wafers which is both tedious and costly and therefore offers grand potentials for improvements via automated inspections based on DL models [14,30].…”

“…adversarial attacks [13] or induced biases [6]. Similarly, public images usually contain generic objects such as houses, cars, and animals, which rarely reflect the shapes of objects in industrial applications like technical components and surface defects [14]. Beyond that, pre-trained models often consist of several million parameters [15], which limits their application on small devices with limited hardware.…”

A survey of image labelling for computer vision applications

“…Fuelled by modern sensor technology, broad access to computing power, and the development of userfriendly programming frameworks, the field of computer vision (CV) is currently experiencing a renaissance that results in groundbreaking new applications: cars begin to drive autonomously in real traffic (Grigorescu et al, 2020), medical diagnosis systems support doctors in detecting hard-to-find diseases (McKinney et al, 2020), and intelligent manufacturing plants detect production deficiencies at an early stage (Zschech et al, 2020).…”