Twitter
Facebook
Linkedin
MySpace
Zur Jahresmitte ist es wieder soweit: Die SMTconnect als bedeutende Messe für die Community der Elektronikfertigung öffnet ihre Pforten in Nürnberg (11.-13. Juni 2024, Messegelände). Die Veranstaltung verbindet Menschen und Technologien aus den Bereichen Entwicklung, Fertigung, Dienstleistung und Anwendung mikroelektronischer Baugruppen und Systeme miteinander. Getreu dem Motto ‚Driving Manufacturing forward‘ werden hier maßgeschneiderte Lösungen für elektronische Baugruppen und Systeme erarbeitet, Geschäftsabschlüsse angebahnt und Weiterbildung betrieben.
Die PLUS ist offizieller Medienpartner der SMTconnect sowie der parallel stattfindenden PCIM Europe (Fachmesse für Leistungselektronik) und ‚Sensor+Test‘ (Fachmesse für Sensorik, Mess- und Prüftechnik), berichtet über die Innovationen der drei Messen und spricht mit wichtigen Akteuren der Branche.
smt.mesago.com
pcim.mesago.com
www.sensor-test.de
Übersicht:
Anzeige der Artikel nach Schlagwörtern: objekterkennung
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.
