KI in der AOI

Der Fachkräftemangel trifft auch die visuelle Inspektion in der Elektronikfertigung. Gerade erfahrene Prüfer sind schwer zu finden und noch schwerer zu halten. Künstliche Intelligenz eröffnet hier neue Möglichkeiten: Sie unterstützt Inspektoren bei der Bewertung von AOI-Ergebnissen, speichert deren Erfahrungswissen und kann langfristig sogar ganze Prüfprozesse automatisieren. Am Beispiel moderner KI-gestützter Inspektionssysteme zeigt sich, wie Elektronikhersteller Produktivität steigern und gleichzeitig Qualitätsrisiken reduzieren können.

Wenn Expertenwissen die Fabrik verlässt

Die automatisierte optische Inspektion (AOI) gehört seit Jahren zu den wichtigsten Werkzeugen der Qualitätssicherung in der SMT-Fertigung. Dennoch endet der Prozess häufig nicht mit dem automatischen Prüfergebnis. Werden Baugruppen als fehlerhaft eingestuft, entscheidet oft ein Mitarbeiter im sogenannten Second-Stage-Review, ob tatsächlich ein Fehler vorliegt oder lediglich ein Pseudofehler erkannt wurde.

Genau an diesem Punkt entsteht in vielen Unternehmen ein Problem. Die Tätigkeit verlangt Erfahrung, Konzentration und ein hohes Verantwortungsbewusstsein. Gleichzeitig handelt es sich um eine monotone Arbeit mit hohem Zeitdruck. Erfahrene Prüfer entwickeln im Laufe der Jahre ein wertvolles Gespür für Fehlerbilder und Grenzfälle. Verlassen sie das Unternehmen, geht dieses Wissen jedoch häufig verloren. Für Elektronikfertiger wird deshalb zunehmend interessant, wie sich das Erfahrungswissen ihrer Spezialisten systematisch sichern lässt. KI-basierte Inspektionssysteme versprechen genau diesen Mehrwert.

KI lernt von den besten Inspektoren

Der zentrale Ansatz besteht darin, die KI direkt in den sekundären Beurteilungsprozess einzubinden. Dabei trifft die künstliche Intelligenz zunächst keine eigenständigen Entscheidungen, sondern lernt aus den Bewertungen erfahrener Mitarbeiter. Jedes Mal, wenn ein Prüfer AOI-Bilder analysiert und eine Entscheidung trifft, werden Bilddaten und Bewertung gespeichert. Auf dieser Grundlage erstellt das System kontinuierlich neue Modelle und trainiert diese anhand realer Produktionsdaten. Die KI entwickelt so Schritt für Schritt ein Verständnis dafür, welche Fehlerbilder tatsächlich kritisch sind und welche als unproblematische Auffälligkeiten eingestuft werden können.

Im Gegensatz zu klassischen regelbasierten Verfahren basiert die Bewertung dabei nicht ausschließlich auf fest definierten Prüfregeln. Stattdessen lernt das System aus den Entscheidungen erfahrener Mitarbeiter und bildet deren Vorgehensweise nach. Die KI wird damit zu einer Art digitalem Wissensträger, der das gesammelte Know-how über Jahre hinweg konserviert (Bild 1).

vAI ProVision automatisiert Prüfprogramme für AOI und AXI

Die Erstellung von Prüfprogrammen galt in der Elektronikfertigung lange als wichtiger Schritt. Mit vAI ProVision zeigt Viscom, wie KI diesen Schritt automatisiert, Rüstzeiten verkürzt und neue Produkte schneller in bestehende Linien bringt.

Isabel Reising

Unterstützung statt Ersatz

In einer ersten Ausbaustufe fungiert die KI als Assistent. Sie liefert eine eigene Einschätzung des Fehlers sowie einen Konfidenzwert, der die Sicherheit der Bewertung beschreibt. Die endgültige Entscheidung verbleibt weiterhin beim Mitarbeiter. Vor allem weniger erfahrene Prüfer profitieren von einer solchen Unterstützung. Bei komplexen Fehlerbildern erhalten sie eine zusätzliche Orientierungshilfe und können Entscheidungen schneller und sicherer treffen. Gleichzeitig lernen sie aus den Vorschlägen des Systems und erweitern damit ihre eigene Expertise.

Auch für erfahrene Mitarbeiter bietet dieser Ansatz Vorteile. Die Anzahl manueller Bewertungen sinkt, die Belastung nimmt ab und die Konzentration kann gezielt auf kritische Sonderfälle gerichtet werden. Dadurch steigt sowohl der Prüfdurchsatz als auch die Konsistenz der Entscheidungen.

Der Weg zur automatisierten Entscheidungsfindung

Softwareanwendungen mit derartigen Funktionen kommen derzeit auf den Markt und erweisen sich als äußerst effektiv bei der Überprüfung von Lötfehlern wie unzureichendem Lot oder mangelnder Benetzung, die bei 2D-AOI-Prüfungen festgestellt werden. Yamaha Robotics hat seine „AI Judgement Station“-Umgebung mit dem Ziel entwickelt, Kunden die Möglichkeit zu geben, KI-Modelle eigenständig unter Verwendung eigener Produktionsdaten zu erstellen und zu trainieren. Nachdem geeignete Trainingsbaugruppen ausgewählt wurden, können Anwender die Funktionen der Software nutzen, um die KI-Modelle automatisch zu generieren und diese anschließend innerhalb eines Machine-Learning-Frameworks anhand der Daten zu trainieren, die während der täglichen Inspektionsschichten gesammelt wurden. Die Nutzer können die Genauigkeit im Verlauf des Trainings überprüfen, um festzustellen, wann das Modell stabil geworden ist. Nachdem das Modell eine ausreichende Anzahl von „OK“-Bildern und mindestens 30 „NG“-Bilder analysiert hat, erreicht es eine Genauigkeit, die es ihm ermöglicht, Inspektoren bei ihrer visuellen Analyse zu unterstützen. Dies lässt sich in kurzer Zeit bewerkstelligen, wobei eine größere Anzahl von Bildern zu weiteren Verbesserungen führt. Nach der Verarbeitung von über 1000 Bildern kann die Modellqualität extrem hoch werden. Die Beurteilung durch die KI dauert etwa eine Sekunde pro Inspektion.

Langfristig entsteht daraus ein dreistufiges Modell der Automatisierung: Zunächst unterstützt die KI den Prüfer, anschließend übernimmt sie Teilaufgaben eigenständig und schließlich kann der gesamte sekundäre Beurteilungsprozess automatisiert werden. Für Fertigungsunternehmen bedeutet dies nicht nur eine Entlastung ihrer Fachkräfte. Gleichzeitig werden Entscheidungen reproduzierbarer, da die Bewertung nicht mehr von der Tagesform oder individuellen Erfahrung einzelner Mitarbeiter abhängt.

OCR als frühes Einsatzfeld

Besonders weit fortgeschritten ist der Einsatz künstlicher Intelligenz bei der optischen Zeichenerkennung (OCR). In der Elektronikfertigung müssen häufig Markierungen wie Bauteilkennzeichnungen, Datumscodes oder Polaritätsangaben geprüft werden.

Konventionelle Bildverarbeitung stößt dabei schnell an Grenzen, wenn Beschriftungen beschädigt, verschmutzt oder kontrastarm sind. KI-basierte OCR-Systeme können solche Situationen deutlich besser bewältigen, da sie aus zahlreichen Vergleichsbeispielen lernen und auch unvollständige Informationen interpretieren können. Ähnlich wie ein erfahrener Mitarbeiter erkennen sie Zeichen trotz ungünstiger Bedingungen zuverlässig. Dadurch sinkt die Zahl der Prüfungen, die manuell bestätigt werden müssen. Gleichzeitig steigt die Prozesssicherheit bei sicherheitsrelevanten Kennzeichnungen (Bild 2).

Was die FED-Konferenz 2026 über die Branche verrät

KI zieht in Entwicklung und Fertigung ein, Lieferketten bleiben fragil und neue Regeln reichen bis ins PCB-Layout. Die FED-Konferenz 2026 zeigte anhand konkreter Beispiele, wie die Elektronikbranche auf diese Herausforderungen reagiert.

Martin Probst

Von der Assistenz zur autonomen Inline-Inspektion

Je mehr Fehlerarten und Bauteilgruppen in den KI-Modellen abgebildet werden, desto stärker reduziert sich die Abhängigkeit von menschlichen Prüfern. Die automatische Bewertung kann schließlich direkt in den Produktionsablauf integriert werden und als Inline-Prozess stattfinden. Unternehmen können dabei selbst entscheiden, wie schnell sie diesen Weg beschreiten möchten. Während einige Hersteller weiterhin auf menschliche Freigaben setzen, um für maximale Kontrolle zu sorgen, sehen andere in der vollständigen Automatisierung den Schlüssel für höhere Produktivität und steigende Qualitätsanforderungen. Die Technologie unterstützt damit sowohl konservative als auch progressive Digitalisierungsstrategien (Bild 3).

KI wird zum digitalen Prüfexperten

Der Nutzen künstlicher Intelligenz in der AOI geht weit über eine reine Automatisierung hinaus. Entscheidend ist ihre Fähigkeit, Erfahrungswissen dauerhaft verfügbar zu machen und neue Mitarbeiter bei komplexen Entscheidungen zu unterstützen. Dadurch entsteht ein digitaler Prüfexperte, der rund um die Uhr verfügbar ist und mit jeder Inspektion dazulernt.

Für Elektronikfertiger eröffnet sich damit die Möglichkeit, dem Fachkräftemangel zu begegnen, die Prüfqualität zu stabilisieren und gleichzeitig die Produktivität der Qualitätssicherung zu erhöhen. Die Entwicklung von KI-gestützten Assistenzsystemen bis hin zur vollständig automatisierten Inline-Beurteilung dürfte daher in den kommenden Jahren zu den wichtigsten Trends in der SMT-Inspektion zählen.

Der Beitrag basiert auf Unterlagen von Yamaha Robotics, Neuss