Die LOPEC (Large-area, Organic & Printed Electronics Convention) ist die wohl bedeutendste Fachmesse und Konferenz für flexible, organische und gedruckte Elektronik. Jedes Jahr bringt sie Akteure aus der Forschung, Produktion und Anwendung aus allen Kontinenten in der bayrischen Metropole München zusammen. Die Kombination aus Messe und Konferenz ermöglicht es den Besuchern, Zukunftstechnologien aus dem Bereich kennenzulernen und ihr Potential ermessen zu können. Gerade die Konferenzbeiträge aus 22 Ländern weckten großes Interesse und waren bestens besucht.
170 Konferenzbeiträge werden 2024 geboten, und wir bei der PLUS studieren schon eifrig das Programm, um besonders vielversprechende Vorträge und Panel-Diskussionen auszuwählen.
In den kommenden Tagen werden wir weitere Artikel und Innovationen der LOPEC 2024 hier präsentieren. Bleiben Sie auf dem Laufenden.
Messeinnovationen: Gedruckte und organische Elektronik präsentiert ihr Potential
Anzeige der Artikel nach Schlagwörtern: neuronale netze
As part of a graduation thesis, a system was developed with which convolutional neural networks (CNN) can be trained to reliably identify electronic components in X-ray images. The concept of transfer learning is used to train the CNNs. A procedure was designed and implemented to generate suitable training data sets. With the help of the training data sets, different network architectures for image classification and object detection could be trained and evaluated. For the transfer learning, freely available models from another domain were used. The results show that transfer learning is a suitable method to reduce the effort (time, amount of data) in creating classification and object detector models. The models created show a high degree of accuracy in classification and object detection, even with unknown data. Applications that are related to the evaluation of radiographic images of electronic assemblies can be designed more effectively thanks to the available knowledge.
Im Rahmen einer Graduierungsarbeit wurde ein System entwickelt, mit dem Convolutional Neural Networks (CNN) trainiert werden können, um in Röntgenaufnahmen elektronische Bauelemente sicher zu erkennen. Hierbei wird das Konzept des Transfer-Learning verwendet. Zur Erzeugung geeigneter Trainingsdatensätze wurde ein Verfahren entworfen. So 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 zeigen, dass Transfer-Learning eine geeignete Methode zur Reduzierung des Aufwands (Zeit, Datenmenge) bei der Erstellung von Klassifizierungs- und Objektdetektor-Modellen ist. Die erstellten Modelle zeigen dabei eine hohe Genauigkeit bei der Klassifikation und Objektdetektion auch bei unbekannten Daten. Anwendungen, die mit der Auswertung radiografischer Aufnahmen elektronischer Baugruppen in Zusammenhang stehen, können so effektiver gestaltet werden.
Relevante Artikel LOPEC-Special
- Industrie der Gedruckten Elektronik bleibt positiv für 2024
- Impressionen von der LOPEC 2024
- Feuerläufer in Villingen – EIPC-Winterkonfererenz 2024
- Frisch erschienen: PLUS im Februar 2024
- Special: LOPEC 2024 – Gedruckte und organische Elektronik präsentiert ihr Potential, 5.-7. März 2024 auf der Messe München
- Fokusthemen auf der LOPEC 2024
- Februarspecial: Gedruckte und organische Elektronik