订报
event
 

2018智能工厂(台北场)论坛专辑

落实智能制造 处理瑕疵检测及设备异常有一套

工研院巨量信息科技中心组长张森嘉博士指出,业者要想达成AI落地,必须建立动态收集资料,滚动调整深度学习模型的机制及态度。

人工智能(AI)的相关议题非常多样化,如何落实应用是许多人关切的议题。工研院巨量信息科技中心组长张森嘉博士指出,政府积极推动人工智能技术与应用发展,制造业的应用是其中的重点。

智能制造技术虽然已经可以应用在制造流程的许多环节,但张森嘉指出,要将工厂所有的资料加以集成,也是有许多困难要克服,需要以前瞻且效果优异的众智式学习技术为分析预测应用的核心,打造基于众智式学习的智能分析平台,透过具有高度跨应用的扩充性,解决产业面临的各项问题。

以工厂常见的检测工作为例,要同时满足瑕疵检测所需的高准确度与高速度并不容易,张森嘉指出,工研院特别研发出透过DFB-Net(Deeply-Fused Branchy Networks)提供分支决策与协同决策的弹性,对于难易不同的待检影像,提供集成最佳分析结果,以提高预测准确度并减少执行时间。

目前的印刷电路板(PCB)瑕疵检测设备,往往需要耗费大量人力,以放大数百倍的状态将PCB的图象显示在屏幕上,供操作员去确认缺陷,误判率高达五成以上,但改用工研院工业视觉最佳化架构,不管是判读正确率及速度都可大幅提高。

在晶圆瑕疵分类应用方面,目前的检测设备仅能将瑕疵侦测出来,并无好的方案可将瑕疵分类,张森嘉指出,工研院目前已研发可强化重要瑕疵类别分类机率的作法,降低重要瑕疵类别的误判率,对于晶圆瑕疵五类分类的案例,整体正确度高达97%。

但要让深度学习产品瑕疵检测落地,仍要面临不少挑战。张森嘉指出,除了使用者端对深度学习的优势了解不足外,许多应用问题如小缺角、色差等,并不适用深度学习,加上目前能搜集到的瑕疵数量太少,分类正确率不足,往往会造成漏检问题,业者要想达成AI落地,必须建立动态收集资料,滚动调整深度学习模型的机制及态度。

「人工智能」使用于智能制造的另一个应用,则是处理设备与质量异常问题。张森嘉指出,利用人工智能分析使用生产过程中机台相关资料和维修记录,就能减少非预期性停机,快速找出故障源,提升机台产能。人工智能还可用来做虚拟量测,利用质量估测技术,做到在线实时的全面检测,减少不良品流出。

  •     按赞加入DIGITIMES智能应用粉丝团