智能应用 影音
订报
DForum0416智能工厂台中

光电业疫后布局AI智造 看全球车用镜头三哥如何优化工艺?

车市回温、新生活常态,抓住后疫情时代新经济商机,光电业者纷纷加速智能制造布局。李建梁摄

后疫情新时代智能应用商机爆发,产业也抓准新市场机会积极布局,除了透过技术提升保持竞争力,现如今AI智能制造已成显学,不少制造业者也紧锣密鼓跟进,藉此强化生产力,以抓住新一波经济浪潮。象是光电业者受惠车市回温与后疫情时代,新常态生活促使显示器需求大幅成长等红利,都促使业者加速拥抱智能制造浪潮,尤以台湾中部地区有密集的光电聚落,近年也纷纷借助外部资源抢攻智能制造。

全球第三大车用镜头厂 合盈用AI自动化瑕疵检测

全世界每辆车所需的车用镜头,每3颗就有1颗是出自台中合盈光电。光学元件设计制造商合盈光电是全球第三大车用镜头厂,车用镜头年产量多达千万颗,每月约生产3万~4万套相机模块,面对量体大的生产品项,合盈光电如何透过AI优化生产流程?

过去在产品检验的作业流程中,合盈光电会设置4个检查站,需要6位作业员透过人工目视检查外观瑕疵,但由于人工目视长期用眼,可能影响眼睛视力,阻碍判断的正确性,加之作业员流动率高,也不易找到新人,因而品检也成为合盈光电产线过去的一大痛点。

为此,2020年合盈光电与工研院合作,针对相机模块中印刷电路板(PCB)的人工焊点,训练出AI瑕疵识别模型,取代原先人工目检的方法,目前已经可以达到99.96%的高准确率,不只能大幅降低查验人员的检测数量,更能提升检测效率。

工研院所开发的AI瑕疵识别模型,是利用自主研发的多重特征影像检测技术(Deeply-Fused Branchy Networks;DFBN),该技术的深度学习网络架构,包含多个较小但结构完整的分支神经网络,具有高准确率与高速度等的优势,在低漏检的状况下,能有较低的误警报率,可有效减少需复检的产品,进而减少目检员的需求。

曜凌光电 AI模型找出工艺参数最佳化

制造业的工艺参数相当多且彼此会互相影响,若是因为工艺参数偏移而影响产品质量,过往产在线的工程师只能单一站点逐步追查,相当耗费时间。显示器制造商曜凌光电则透过2种AI模型来预测产品质量,并建立泛用模型同时预测多种产品的工艺质量。

以往曜凌光电在蒸镀工艺与投料上会设定大量工艺参数,如燃烧温度、功率、使用前预热、靶材消耗等,而这些参数更与产品质量息息相关。为了进一步分析大量的工艺参数对产品质量的影响,曜凌光电2020年在中科的一项AI技术应用合作计划中,也找上工研院应用机器学习的方式建立AI模型。

透过此模型,除了能够预测产品质量,亦能藉由模型提供的关键参数,进行工艺最佳化调校、分析大量工艺参数交互影响,或是在质量检验前透过事先预测,在质量发生不良时快速找出原因,大幅缩小探索的方向与次数、时间。

不过在不同产品工艺,及各种参数变化都会影响产品最终质量,然过去的参数优化模型只能针对单一产品工艺来分析,难以大规模扩散,曜凌光电也透过建立泛用模型来同时预测多种产品的工艺质量。由于不同产品工艺受各种变量的影响程度有所不同,AI则是可以透过剖析各变量对结果值的影响程度,就能找出影响工艺的关键参数、了解产品原料及配方的交互影响。有助于在实际应用场景中,透过减少实验次数与降低开发时间与成本,来协助新产品的开发。


  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: 智能制造 AI 车用镜头 光电业