Microsoft
Advantechline
 

从资料矿山中掏出金沙 纬创用十数万张影像资料磨出AI瑕疵检测

许多制造业者都发现即便导入AOI,产线后方仍需要耗费多余人力进行第二道复检。Image by skeeze from Pixabay

电子代工大厂纬创集团近日受NVIDIA之邀参与「AI策略高峰会」,分享其运用深度学习优化瑕疵检测作业流程,希望以「零目检」目标,改善过去产业在运用AOI进行瑕疵检测时,仍需要人力目视做为第二道复检,让生产在线的作业员提高其生产价值。

归功于影像辨识技术成熟,目前在制造业的AI应用实例中当属瑕疵检测需求为多,而这需求其来自AOI自动光学检测的缺陷。AOI是制造业典型用来进行产品瑕疵检测的工具,但纬创软件产品中心资深经理梁维国表示,AOI虽然能够改善过去纯人力检测、提高检测效率,但由于为维持高良率目标,业者往往把AOI的参数严格设定而造成机台敏感,此外也存在误判可能,这时产线后方就需要人力进行第二道复检流程。

不只纬创,许多制造业者都发现即便导入AOI,产线仍需要耗费多余人力,而这显然与现今高唱自动化生产的理念背道而驰。因此纬创也以「零目检」为目标,希望透过在AI的辅助下能够达到智能化瑕疵检测。梁维国表示,纬创前后花了约1年时间,才让AI实际应用于瑕疵检测流程正式上线,目前已在3个厂区落实,主要会应用在SMT与DIP,以笔记本与服务器产品为主,而随著经验越来越成熟,接下来扩展到其它厂区的速度也会越来越快。

目前纬创在SMT部分,已投入超过15万张影像资料作为AI数据进行训练,并分别透过15个模型进行AI辨识,系统仅花0.01秒就能准确辨识瑕疵。而在DIP部分,则投入超过13万张影像资料,分别透过7种零件定义出40种型态,并透过5个模型进行分类。

此外,梁维国也分享实际从AI训练到正式上线的过程。事实上,部署AI还有很多眉角,企业导入AI第一件事就是定义需求,AI虽是大势所趋,然而许多企业仍会把AI用在错误或根本不需要AI的地方,这反而可能让这项工具无用武之地。而在明确定义应用及需求的重要性后,再来则是进行资料标记。梁维国说,纬创一开始搜集超过百万张影像资料,但只从中萃取15万张,因为重点是要「从资料矿山中掏出金沙」,以瑕疵检测来说,业者必须挑选出真正能够代表瑕疵特性的影像,而光是从定义需求到资料标记,这段还不算正式开始投入AI训练的过程,但纬创当初在这两个阶段就花了好几个月时间进行磨合。

而在模型训练到验证阶段,虽然初期训练好的模型可以获得极高的辨识成功机率,但往往一放到产在线进行验证,还是会发现跟预期有落差,因此在验证过程中业者还是得回过头从data中检视是否为影像数据的不足,并补强不足之处,以电子制造业来说,目前的问题仍卡在资料稀疏性的不足,而这也是未来产业值得思考的方向之一。

  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: 纬创 AOI 影像辨识 大数据