依據歐盟施行的個人資料保護法，我們致力於保護您的個人資料並提供您對個人資料的掌握。 我們已更新並將定期更新我們的隱私權政策，以遵循該個人資料保護法。請您參照我們最新版的 隱私權聲明。
本網站使用cookies以提供更好的瀏覽體驗。如需了解更多關於本網站如何使用cookies 請按 這裏。
Keep Spinning
10.05
2023
當 AOI 結合 AI : 如何為製造業帶來高效率 ?
當 AOI 結合 AI : 如何為製造業帶來高效率?
在前篇文章中我們曾提及 AOI 有效地克服傳統目檢員在判斷上的目視極限、主觀意識及眼睛疲勞所可能造成效率低下的問題，為製造業的外觀檢測帶來一大躍進，但其卻仍有現存且難以突破的瓶頸。 延伸閱讀：瞭解工業外觀檢測 (AOI) 的基礎概念
在本篇文章，我們將會探討 AI 如何結合 AOI並為製造業帶來效益提升。
AI 於工業的日趨普及
在偲倢多年於製造業與 AI 領域深耕探索的觀察中，我們發現製造業者在近年來紛紛投入資源將 AI 應用於產線、製程和維護，而這種趨勢是由多方面因素驅動的。
首先，人力短缺已經成為製造業面臨的一大挑戰，製造商們需要尋找新的方式來提高生產效率，降低成本；其次，數位化轉型意識抬頭，越來越多的企業開始認識到利用 AI 技術可以實現生產自動化、質量提升和產品創新等目標。最重要一點，消費型 GPU 的高度普及為 AI 技術在製造業的應用提供了良好的硬體基礎，也讓 AI 不再是高昂成本、搭載頂級硬體的代名詞。
綜合三項原因，製造業者在加速 AI 技術的應用，儼然成為當前的發展趨勢。
圖1_由於人力短缺、企業數位意識抬頭與消費型 GPU 普及化，加速工業導入 AI 的意願。 資料來源：Spingence 整理製表
*行動裝置請點圖看大圖
根據財團法人人工智慧科技基金會今年發布的《2022 產業 AI 化大調查》，對各產業企業應用 AI 技術的現況進行了分析。其中，38.2% 的製造業者正在評估 AI 專案的可行性，有 8.8% 的企業已經成功應用 AI 技術於不同專案上，儘管僅 47% 的企業在導入 AI 的征途中領先，但可預見的是，隨著 AI 解決方案的不斷發展和成熟，越來越多的企業將會加入這個行列，並透過 AI 技術來提升其製造流程和產品品質。
AI 於 AOI 的常見應用
AI 的應用層面相當廣泛，於 AOI 有三種常見應用：
- 圖像處理：AI 可以透過卷積神經網絡（CNN）對 AOI 拍攝圖像進行處理，並透過訓練模型學習圖像的特徵和細節，提高圖像質量，如消除噪聲和模糊、增強對比度和色彩或是增加解析度。透過優化圖片產生更加優質的訓練集，進而提高後續應用於瑕疵檢測的準確性。
- 瑕疵檢測：AI 可以從標註清晰且完整的訓練資料中學習瑕疵的樣態，進而檢測產品外觀上的瑕疵與缺陷，如組裝部件有無與否、金屬外殼的刮痕或污漬、焊接點的外觀缺陷等。此外，透過不同的 AI 演算法還可以協助使用者計算瑕疵面積或是精準座標，以便更好地就檢測結果進行下一步處理。
- 數據分析：利用 AI 對於大量數據的分析優勢，可以自 AOI 系統收集大量的產品資訊，在檢測參數、瑕疵朔源、甚至未來有機會生成模擬瑕疵再投入於檢測模型中，以幫助使用者了解其製程中的不足，並採取措施加以改進，避免中長期的浪費。
當 AI 遇上不規則瑕疵
傳統的 AOI 系統通常使用 Rule-Based 演算法來檢測產品表面的缺陷，例如檢測印刷電路板上的元件位置或尺寸是否正確，在背景明確、灰階值分明下效果相當顯著；然而，當面對較為複雜或不規則的缺陷時，基於規則的演算法往往會失效，而這正是 AI 技術可以發揮其優勢的領域。
AI 在 AOI 中的應用可以透過深度學習技術來實現，其原理是通過大量樣本數據的學習來建立一個精確的瑕疵檢測模型。當AI模型學習完成後，它可以自動分析產品表面圖像，識別並區別標注檔案中所標註的瑕疵，例如刮痕、污漬、裂痕、落塵等。
當 AI 檢測瑕疵時，通常會使用卷積神經網路 (CNN) 的方式，CNN 可以對圖像進行特徵提取，也就是從圖像中抽取出重要的資訊，例如邊緣、紋理等等。這些特徵將被送入全連接層，讓 AI 可以判斷這些特徵是否表示瑕疵。因此，通過 CNN 的訓練，AI 將能夠更精確地識別和檢測瑕疵。
圖2_卷積神經網路圖示 Source: Yann LeCun Leon Bottou Yoshua Bengio and Patrick Haffner.(1998).GradientBased Learning Applied to Document Recognition
*行動裝置請點圖看大圖
AI 與 AOI 的合作無間
對於許多製造業者而言，廠內運行的 AOI 檢測機台可能為了防止 NG 品流出，故嚴格設定參數，希望以高標準進行檢測標準設定；然而，這樣容易導致過殺（overkill），過殺率在過高的情況下將造成生產資源的浪費且無效率，是業內常見的檢測難題。
圖3_過殺即為將無瑕疵良品或部件視為不良，將其分類為 NG。 資料來源：Spingence 整理製表
*行動裝置請點圖看大圖
AINavi 瑕疵檢測方案過去協助許多被動元件產業克服過殺率高的挑戰，擴充 AI 引擎的同時兼容現有 AOI 六面檢測機，兼具檢測效率同時增加準確性並且有效降低過殺率。
AOI 六面檢測機台針對四方體來料進行六面向的取像，並在取像後將圖片傳送予 AI 進行判斷，由於 AI 可以平行進行處理的特性，整體CT (Cycle Time) 不會耽擱，能夠符合高產能的檢測需求，並解決居高不下的過殺率問題。
圖4_CT指每一單位產品所需時間。 資料來源：Spingence 整理製表
*行動裝置請點圖看大圖
偲倢所提供的AINavi瑕疵檢測方案，過去許多整合 AOI 經驗，並且具有成熟的軟體工具與明確的 SOP，讓製造業客戶能夠更加便利地應用於生產線上，從而提高生產效率與品質。