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，必须建立动态收集数据，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，要将工厂所有的数据加以整合，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，提供整合最佳分析结果，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的图像显示在屏幕上，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，加上目前能蒐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，必须建立动态收集数据，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，则是处理设备与品质异常问题。张森嘉指出，利用人工智能分析使用生产过程中机台相关数据和维修记录，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，利用品质估测技术，做到在线实时的全面检测，减少不良品流出。