Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Grundlagen der Künstlichen Intelligenz und des Maschinellen Lernens Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

4. Herausforderungen und Potenziale von KI-gestützter visueller Inspektion in der Elektronikindustrie

verfasst von : Timo Koppe, Jonas Schatz, Thomas Hornung

Erschienen in: Künstliche Intelligenz

Verlag: Springer Berlin Heidelberg

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

In den vergangenen Jahren war die Künstliche Intelligenz (KI) Gegenstand intensiver Forschung. Eines der Gebiete, auf dem die Wissenschaft große Erfolge erzielen konnte, ist Computer Vision (Prince 2012). Hierbei lernen Computer zu „sehen“, indem sie visuelle Daten wie Bilder oder Videos analysieren, um Entscheidungen zu treffen oder Erkenntnisse über ihre Umwelt zu gewinnen. Insbesondere dank der Fortschritte im Bereich des Deep Learning konnten Neuronale Netze zuletzt bemerkenswerte Erfolge bei wichtigen Benchmarks in der Forschung erzielen (Krizhevsky et al. 2012; Yin et al. 2019), wobei sie auch deutlich effizienter wurden (Tan und Le 2019).

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Künstliche Intelligenz in Banken – Status quo, Herausforderungen und Anwendungspotenziale
Nächstes Kapitel KI-Innovation über das autonome Fahren hinaus
Literatur
Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., & Chatila, R. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115.CrossRef
Drury, C. G., & Fox, J. G. (1975). Human reliability in quality control. London: Taylor and Francis.
Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. Paper presented at the proceedings of the 34th international conference on machine learning. PMLR, 70, 1321–1330. Sydney (Aug 11–15, 2017).
Koppe, T., Schmidt, H., & Buxmann, P. (2019). Daten und Künstliche Intelligenz als Basis für digitale Geschäftsmodelle in der Industrie. In Lünendonk-Handbuch Facility Management 2019 (S. 49–61). Freiburg: Haufe Lexware GmbH.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks (S. 1097–1105). Paper presented at the Neural Information Processing Systems (NIPS), Lake Tahoe, USA.
Martin, K. (2019). Designing ethical algorithms. MIS Quarterly Executive, 18, 2.
Prince, S. J. (2012). Computer vision: Models, learning, and inference [Press release].
Shalev-Shwartz, S., & Ben-David, S. (2014). Understanding machine learning: From theory to algorithms [Press release].
Shang, L., Yang, Q., Wang, J., Li, S., & Lei, W. (2018). Detection of rail surface defects based on CNN image recognition and classification. In 2018 20th International Conference on Advanced Communication Technology (ICACT) (S. 45–51). IEEE. Korea: ChunCheon.
Tallon, P. P., Kraemer, K. L., & Gurbaxani, V. (2000). Executives’ perceptions of the business value of information technology: A process-oriented approach. Management Information Systems, 16(4), 145–173.CrossRef
Tan, M., & Le, Q. V. (2019). Efficientnet: Rethinking model scaling for convolutional neural networks. arXiv preprint arXiv:1905.11946.
Wang, T., Chen, Y., Qiao, M., & Snoussi, H. (2018). A fast and robust convolutional neural network-based defect detection model in product quality control. The International Journal of Advanced Manufacturing Technology, 94(9–12), 3465–3471.CrossRef
Weimer, D., Scholz-Reiter, B., & Shpitalni, M. (2016). Design of deep convolutional neural network architectures for automated feature extraction in industrial inspection. CIRP Annals, 65(1), 417–420.CrossRef
Wolpert, D. H. (2002). The supervised learning no-free-lunch theorems. In Soft computing and industry (S. 25–42). Berlin: Springer.CrossRef
Yin, D., Lopes, R. G., Shlens, J., Cubuk, E. D., & Gilmer, J. (2019). A fourier perspective on model robustness in computer vision. Paper presented at the advances in neural information processing systems (S. 13276–13286). Vancouver Convention Center, Canada.
Metadaten
Titel
Herausforderungen und Potenziale von KI-gestützter visueller Inspektion in der Elektronikindustrie
verfasst von
Timo Koppe
Jonas Schatz
Thomas Hornung
Copyright-Jahr
2021
Verlag
Springer Berlin Heidelberg
Buch
Künstliche Intelligenz

Print ISBN: 978-3-662-61793-9

Electronic ISBN: 978-3-662-61794-6

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-662-61794-6_4