Defekterkennung in Interferometern durch überwachtes regressionsbasiertes Machine Learning

Kontext

Hersteller von Mikroskopen und optischen Messgeräten, Präzisionsfertigung. Defekte in Interferometer-Aufnahmen sollen automatisch erkannt und quantifiziert werden — reproduzierbar, über Schichten und Prüfer hinweg.

Problem

Die Sichtprüfung war inkonsistent, die Qualitätskosten stiegen. Für ein klassisches Training fehlte ein ausreichend großer, sauber annotierter Datensatz realer Defekte.

Was wir gebaut haben

Eine Machine-Learning-Lösung zur Erkennung und Quantifizierung von Defekten auf Aufnahmen spezialisierter mikroskopischer Geräte, ausgelegt auf wiederholbare, konsistente Berechnungen: überwachte Regression, trainiert auf einem synthetisch erzeugten Datensatz aus idealen Bildern mit künstlich hinzugefügten Defekten.

Zentrale Engineering-Entscheidung

Überwachte Regression mit automatisch erzeugten Trainingsdaten. Statt Defekte nur zu klassifizieren, schätzt das Modell Defektbereiche und deren Größe. Der Trainingsdatensatz wurde automatisch generiert — ideale Bilder kombiniert mit synthetisch hinzugefügten Defekten. Das machte das Training unabhängig von der Verfügbarkeit realer Fehlerbilder und lieferte exakt bekannte Sollwerte für jede Trainingsprobe.

Ergebnis

• 98,5 % Confidence Score
• Fehlerhafte Bereiche werden zuverlässig identifiziert, ihre Größe präzise berechnet
• Reproduzierbare Ergebnisse — unabhängig von Schicht und Prüfer