In der Halbleiterindustrie ist die Aufrechterhaltung hoher Qualitätsstandards entscheidend, insbesondere bei der Produktion von Laserdioden. Traditionell werden visuelle Inspektionen von geschultem Personal durchgeführt, ein monotoner Prozess, der anfällig für menschliche Fehler ist. Um diesen Prozess zu verbessern, wurden KI-gesteuerte optische Fehlererkennungssysteme entwickelt. Ein Projekt bei dida implementierte maschinelle Lernmodelle, die auf Convolutional Neural Networks (CNNs) basieren, um die Erkennung und Klassifizierung von Fehlern in verschiedenen Produktionsphasen zu automatisieren. Das System analysiert zwei Arten von Bildern: Facettenbilder, die Querschnitte der Dioden zeigen, und P-Seiten-Bilder, die komplexe geätzte Strukturen offenbaren. Dieser Ansatz erhöht nicht nur die Inspektionsgenauigkeit und Betriebseffizienz, sondern senkt auch die Kosten für manuelle Inspektionen. Zudem entlastet er die Mitarbeiter, indem monotone Aufgaben entfallen. Die Ergebnisse umfassen markierte Fehlerbilder und detaillierte CSV-Dateien, die deren Klassen und Standorte dokumentieren, was eine Echtzeitüberwachung und verbesserte Qualitätskontrollprozesse ermöglicht.