Die Bewertung von Röntgenaufnahmen elektronischer Baugruppen im Rahmen der Qualitätssicherung, aber insbesondere bei der Fehlersuche, ist bis dato zumeist ein aufwendiger manueller Prozess, bei dem die individuelle Erfahrung des Bewertenden eine entscheidende Rolle spielt. Im Rahmen einer Graduierungsarbeit wurde an der TU Dresden ein System entwickelt, mit dem Convolutional Neural Networks (CNN) trainiert werden können, um in Röntgenaufnahmen elektronische Bauelemente sicher zu erkennen. Für das Training der CNNs wird das Konzept des Transfer Learning verwendet.
Zunächst wurde der Stand der Technik der Objekterkennung im Bereich der Aufbau- und Verbindungstechnik und artverwandter Fragestellungen ermittelt. Außerdem wurden unterschiedliche Ansätze zur Durchführung von Transfer Learning betrachtet. Zur Erzeugung geeigneter Trainingsdatensätze wurde ein Verfahren entworfen und umgesetzt. Mithilfe der Trainingsdatensätze konnten verschiedene Netzarchitekturen für die Bildklassifikation und Objektdetektion trainiert und evaluiert werden. Für das Transfer Learning wurden frei verfügbare Modelle einer anderen Domäne verwendet.
Die Ergebnisse dieser Arbeit werden in diesem Paper vorgestellt. Sie zeigen, dass Transfer Learning eine geeignete Methode zur Reduzierung des Aufwands (Zeit, Datenmenge) bei der Erstellung von Klassifizierungs- und Objekt-detektor-Modellen ist. Die erstellten Modelle zeigen dabei eine hohe Genauigkeit bei der Klassifikation und Objektdetektion auch bei unbekannten Ausgangsdaten.
Anwendungen, die mit der Auswertung radiografischer Aufnahmen elektronischer Baugruppen in Zusammenhang stehen, können durch die vorliegenden Erkenntnisse effektiver gestaltet werden. Die vorgestellten Ergebnisse sollen als Grundlage für weitere Untersuchungen auf diesem Gebiet dienen.