Synnex
Advantechline
 

制造瑕疵检测朝AI化发展 样本收集不易恐为挑战

近期智能制造相关应用中最受广大讨论的则是AOI瑕疵检测智能化发展。DIGITIMES摄

从机联网、可视化管理等的基础应用,进展到以AI达到生产设备预知维护保养等,智能制造应用现今可说是百花齐放,而产业端的实际需求,更是促进智能应用成熟发展的动力。根据工研院调查,质量与良率仍然是目前台湾制造业者最重视的议题,在此需求下,近期智能制造相关应用中最受广大讨论的则是AOI瑕疵检测智能化发展,然业界则是点出,在实际操作层面上,瑕疵样本取样不易恐将是挑战。

以成本为出发点,针对生产设备达到预防性维护管理,或是聚焦于如何提高生产效率等已陆续成为智能制造市场中的热门应用,工研院产科国际所经理熊治民跟据院内调查则是指出,目前对台湾制造业者而言,质量与良率仍是业者最迫切关心的议题,成功大学智能制造研究中心主任郑芳田更因此而提出以「零缺陷」为目标达到超越工业4.0的境界。

而针对提升质量与良率的需求,目前智能制造相关应用中最受广大讨论的则是AOI检测瑕疵智能化发展。电子产业对于AOI应该不陌生,根据市场调查,目前AOI检测应用最广泛的两个领域分别为PCB和面板显示产业,两者的占比分别为64%和15%。

任何新技术的诞生,若不是现有技术有些地方做的不够好,就是市场有新的需求。而瑕疵检测过去在产业应用也遭遇瓶颈,对此,工研院产科国际所分析师黄仲宏则指出,其一为设备因灵敏度过高而造成准确度不足,需要人工复判,其二则是产业需要知道瑕疵类型以利分析制程根源问题,然现有检测设备无分类功能,并无法提供有效信息。

碍于产业在应用上的瓶颈,现阶段市场各家AOI检测设备业者则聚焦于结合AI,以影像辨识技术辅助检测设备提升检测效率与正确性,并降低人工复判的依赖。AI结合AOI,已成为下一波智能应用商机,黄仲宏则是点出深度学习技术于瑕疵产业应用的未来发展重点。

他指出,首先未来产业需得解决的是异常训练样本收集不易的问题。众所皆知,AI的训练须投以大量样本资料,但在产线量产时,正常情况应是正常样本量会大于异常样本,加上异常样本类型繁多,导致训练资料搜集不易。

因此,如何在资料不均衡的状况下,降低模型之漏检率,并减少NG的训练样本需求则成为下一波产业所关注的焦点。而目前业界也已有实际做法,例如网通设备厂智邦也因少量多样生产模式下不易搜集与累积样本,为此,智邦也与清大团队以及工研院合作开发影像增量技术,希望藉由少量瑕疵模型透过算法创建新的瑕疵样本,以加强训练模型的准确度。

而半导体封测业者矽品未来则是计画透过AI生成瑕疵样本,除了可解决样本数不足的问题,也能让AI模型训练能在不靠实际影像的训练下进行。

  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: 工研院 AOI 人工智能 影像辨识