2019.04.07 11:37 臺北時間

AI「抓鬼大隊」上線 揪出產品瑕疵

mm-logo
AI「抓鬼大隊」上線 揪出產品瑕疵
AI 要能發揮價值、創造效益,落地到行業裏頭是關鍵,相較於營銷廣告、安防、新零售等,工業領域更像是一片藍海,目前在 AI 與工業的結合,多提到大數據優化生產排程、監控零部件或機台設備運作以及故障預警等,還有一個領域也有不少研究及進展,就是生產過程中的瑕疵檢測,包括線路瑕疵、外觀瑕疵等。
製造行業強調品質控管,把產品出貨給客戶前,必須確保其功能正常,一旦檢測出錯,會導致很大商業的損失,除了靠人力檢驗之外,在生產過程中,使用非接觸式的自動光學檢測(AOI,Automated Optical Inspection)或自動視覺檢測(AVI,Automated Visual Inspection)設備已經行之有年,旨在通過高精度攝像頭、機器視覺技術等,抓出有瑕疵或缺陷的產品,像是金屬零部件制造廠通過 AOI 設備來檢測金屬扣件、螺絲是否光滑、有無細微裂縫等,自動化程度相對較高的電子業,像是 PCB、PCBA 電路板、Wafer 晶圓及面板行業採用的比例也非常高。
以電子業來說,市占率較高的設備檢測商首推以色列公司奧寶(orbotech),在 PCB、面板領域有很高的市占率,不過,美國的半導體檢測設備大廠科磊(KLA-Tencor)在去年 3 月收購了奧寶,擴大服務範疇。其他知名的公司還有像是美國的 Rudolph Technologies、日本 Takano 等。
國內的檢測設備商像是東旭光電、惠州高視科技、神州視覺科技、力德創(LeadAOI)等。去年,東旭光電與京東方簽訂近 7000 萬人民幣的裝備訂單,包括宏觀及微觀缺陷檢測設備、玻璃邊緣檢查機等高端裝備,主要應用於 OLED 面板產線的缺陷檢測。而惠州高視科技的設備也應用於面板行業,進行屏幕的缺陷檢測,客戶包括京東方、華星光電、歐菲光等。
隨著近年深度學習的興起,瑕疵檢測也出現新的技術演變,從傳統的 AOI 轉向與 AI 結合,不少初創公司開發用以檢測元件瑕疵的 AI 軟件,或與 AOI、AVI 設備結合使用。另一方面,檢測設備商也通過 AI 技術優化 AOI 設備的準確度。
矽谷公司 Instrumental 專攻 AI 瑕疵檢測市場(來源:Instrumental 網站)
另外,去年中,阿里雲 ET 工業大腦提出 AI 視覺產品「見遠」,其中就有 AI 質檢員方案,當時阿里雲指出,在電池片瑕疵檢測領域,「見遠」的識別準確度達 95%,節省人力率比為每 33 個人節省 1 人。通過深度學習和圖像識別算法,阿里雲 ET 工業大腦集中學習了40000 多張樣片,將圖像轉換為機器能讀懂的二進制語言,能讓質檢機器實時、自動判斷電池片的缺陷。並與光伏公司浙江正泰合作,通過「見遠」實現單、多晶電池片電致發光(EL,electroluminescence)缺陷的毫秒級自動判定。
在創業公司部分,源自於清華大學 AI 研究院的產學研結合技術公司—瑞萊智慧(RealAI)鎖定工業三個領域:工業視覺檢測、預測性維護、工藝優化,其中已通過計算機視覺的手段,開發光伏面板 EL 缺陷自動檢測算法。
中國已是工業製造大國,一直以持續提升製造的品質及效率為目標,瑕疵檢測邁向 AI 化,也可望對國內制造業帶來新的契機。
阿里雲 ET 工業大腦的「見遠」,可做瑕疵檢測(來源:阿里雲)

傳統 AOI 與 AI 瑕疵檢測

談論瑕疵檢測 AI 之前,有必要先了解 AOI,其核心技術大致有四塊:
  • 光學光源:取像元件、感光模組、光學鏡頭、光源照明設備
  • 機構控制:可程序邏輯控制器、PC-Base 控制主機單芯片控制板
  • 影像處理:邊緣偵測、圖像匹配、特征偵測、攝像頭校正等
  • 分析軟件:統計分析、數據處理
廣義的 AOI 設備是結合光學、訊號處理系統和分析軟件,可應用在生物醫學、指紋比對、品質檢測等方面;狹義的 AOI 多是指應用在工業上,利用高精度攝像頭拍攝產線上的產品,查看是否有瑕疵。
不過,以往的 AOI 檢測常見幾個遭詬病的問題,首先是誤報率(False Alarm)過高,行業人士對 DeepTech 表示,目前 PCB 瑕疵檢測設備的誤判率甚至高達 5 成,需再透過大量人力搭配後端驗證修覆站(VRS,Verify Repair Station),將 PCB 圖像放大數百倍顯示在屏幕上讓操作人員確認。而往往造成設備誤報的原因還不少,包括產品色差不同、環境光源、算法能力、攝像頭等級等。
同時,各行業遇到的檢測瓶頸也不同,像是 PCB 遇到的瓶頸主要在「終檢站」;晶圓生產則是在「黃光站」,想要解決這些問題,非常需要與行業專業知識(domain knowhow)深度配合。
其次,傳統的 AOI、AVI 設備通常適用於檢查二維平面結構的產品,所以這也是為什麽 PCB、面板行業導入的比例很高,後續有部分 AOI 業者開始推出三維檢測,但系統檢測的時間拉長。此外,AOI 設備價格相對昂貴等也是一個問題。
對比傳統模式,AI 瑕疵檢測有三大優勢:第一也是最重要的是準確率提升,當誤判率下降後,就不用像過去一樣雇用許多人力來進行二次確認。第二則是檢測速度變快,而且可分類缺陷,舉例來說,半導體檢測設備多是偵測瑕疵,鮮少將其分類,但不同瑕疵類別產線會產生不同程度的嚴重性,尤其是 Defect Type 1 為極重大瑕疵,一旦發生就要停機檢查,時間可能長達 2~3 天,影響產能,目前半導體檢測廠仍是高度倚賴人工分類瑕疵,通過 AI 有助於降低瑕疵分類的時間。第三則是後續可以進一步診斷瑕疵出現的原因,但此部分必須跟生產機台數據串接,屬於較長期的發展方向。
PCB 行業使用 AI 執行瑕疵檢測(來源:台灣工研院)

痛點明確,電子行業陸續導入

訓練一個檢測產品瑕疵的 AI,做法像是使用計算機視覺+深度學習,從原始圖像中提取感興趣區域(ROI),這會經過多個處理程序包括圖像的灰度、型態轉化如腐蝕(eroding)、膨脹(dilating)等,最後勾勒出 ROI 區域,並利用深度學習算法如 CNN,在 ROI 區域偵測瑕疵。數據則包括眾多有標記出缺陷的獨特圖像、以及標記為正常產品的圖像,來進行監督式學習。也有人使用端到端的深度學習架構,以深度學習來預測 ROI,而非計算機視覺。使用帶有標註的數據集來訓練可預測 ROI 的架構,不過標註的數據集必須明確且足夠廣泛。
適用於 AI 檢測產品瑕疵的制造行業其實非常廣,包括食品、金屬部件、汽車金屬軸件、電子業等,電子業已經有不少企業導入,像是台灣知名的 DRAM 大廠就導入了台灣工研院開發的 AI 檢測方案。
另外,印刷電路板業者欣興電子不久前也表示,已經在生產線導入 AI 進行瑕疵檢測,並且產品檢測效率提升了 70%。欣興電子指出,過去生產線采用 AVI 設備檢測瑕疵,但檢測的結果常受到產品色差、高度等因素影響,還得加派 11~15% 的人力來覆檢。目前他們結合了深度學習和 AVI 設備,原本所有產品都需人工覆檢,現在只剩其中 30% 需再次人工檢查,大幅提高了效率。
而國內的 RealAI 則是鎖定光伏行業,他們開發光伏面板 EL 缺陷自動檢測算法,通過計算機視覺的手段,針對太陽能光伏面板的多種缺陷進行自動檢測,替代人工視檢過程。
RealAI CEO 田天在接受 DeepTech 采訪時表示,這一問題的難點主要在多晶太陽能電池板的 EL 圖像本身存在晶界等花紋,對缺陷識別產生幹擾。同時,不僅缺陷的種類較多,同一種缺陷的形態也變化多端,RealAI 通過使用自主研發的缺陷檢測模型,並引入相關領域知識,開發出 EL 缺陷自動檢測算法,已經在多家光伏組件頭部制造廠商試用。
RealAI 重點關注無監督、半監督學習、小樣本機器學習等場景(來源:RealAI 網站)

2019 年將是 AI 快速落地工業制造領域的一年

先前 AI 落地安防、新零售、醫療等的討論較多,但其實在工業上也可發揮很大的效用,目前哪些領域應用的比較多,或是企業接受度較高?田天指出,目前在「缺陷檢測」和「預測性維護」兩大方面客戶接受度和需求較高,主要是因為該領域為客戶痛點,能直接為客戶節省大量的費用。預測性維護也有利於避免重大事故,對於安全制造和安全生產至關重要。
對於 2019 年人工智能在工業制造領域的發展,他認為將是快速發展以及各種技術落地的一年,主要來到了三方面時機點的良好交會:首先是已積累大量算法及行業示範效應,過去 10 年間,AI 領域開發了大量優秀算法,為實際應用儲備了大量的工具。近年來,人工智能開始大規模應用於金融和互聯網等領域,起到了較好的示範效應。
同時,經過此前工業數字化轉型,目前工業領域中已經廣泛使用傳感器等設備,且積累了大量的數據,為人工智能應用提供了堅實的基礎。
再來就是政策方面,國家快速推進工業互聯網的發展,並鼓勵企業進行智能化轉型。隨著社會對人工智能的逐漸熟悉與接受,工業領域的大量企業開始尋求使用人工智能深度結合領域知識,切實解決領域內的問題。
因此,在人工智能具有較高的社會接受度和豐富的技術儲備;工業領域具有大量的數據積累,且普及應用傳感器;國家層面在政策上大力支持,他看好 2019 年都會是人工智能技術在工業制造領域中快速發展與落地的一年。

缺少數據的工業制造領域,邁向非監督學習 AI

除了行業需求外,在技術方面則有一個非常值得關註的發展趨勢,也就是非監督式學習也逐漸走進工業領域。這一波的 AI 浪潮始於視覺任務展現了很大的進展,通過標註數據來訓練出識別、分類的 AI,就像前述的 AI 瑕疵檢測,同樣利用有標註瑕疵的圖像數據來訓練,不過,瑕疵數據量是否收集足夠就成了挑戰。另外,如果出現不曾被標註訓練過的瑕疵,系統是否能發現,也是一個問題。
這也就是 RealAI 發展無監督學習 AI 的原因,田天說「在工業應用領域,收集高質量訓練數據的過程往往成本高昂,且耗費時間,如果采用無監督或者半監督的學習方法,就能有效降低訓練數據需求,針對碎片化的工業視覺檢測場景具有更廣的應用前景」。在沒有訓練數據時,可以考慮採用異常檢測、或者變化檢測等方法,讓機器學會什麽是正常的數據,進而在出現異常數據或者變化時能夠做出準確判斷。
比如,RealAI 自研的無監督算法就成功運用於石油管線故障檢測問題。在這一問題中,信號數據噪音大,且沒有標註,他們利用無監督算法,成功預測出存在缺陷的管線位置,並且已交付使用。此外,也利用無監督學習方法解決了卷煙機和包裝機預測性維護問題。「在許多缺少或沒有訓練數據的領域,無監督學習是唯一可用的選擇」他說。
更新時間|2023.09.12 20:29 臺北時間
延伸閱讀

支持鏡週刊

小心意大意義
小額贊助鏡週刊!

每月 $79 元全站看到飽
暢享無廣告閱讀體驗

更多內容,歡迎 鏡週刊紙本雜誌鏡週刊數位訂閱了解內容授權資訊

月費、年費會員免費線上閱讀動態雜誌

線上閱讀

更多內容,歡迎 鏡週刊紙本雜誌鏡週刊數位訂閱了解內容授權資訊

月費、年費會員免費線上閱讀動態雜誌

線上閱讀