帳號:
密碼:
智動化 / 文章 /

AI與機器視覺走向整合 產線品質改善效益明顯
[作者 王明德]   2020年10月08日 星期四 瀏覽人次: [2226]

整合AI與機器視覺兩大技術,並將之應用於產品品質檢測環節,被多數業者列為啟動智慧製造的第一步,不過對多數業者來說,AI屬於新技術,要讓效益如期浮現,架構仍須不斷調整。



圖1 : 整合AI與機器視覺兩大技術,並將之應用於產品品質檢測環節,被多數業者列為啟動智慧製造的第一步。(source:SEMI)
圖1 : 整合AI與機器視覺兩大技術,並將之應用於產品品質檢測環節,被多數業者列為啟動智慧製造的第一步。(source:SEMI)

機器視覺是自動領域發展已久的技術,過去主要應用於產線品質檢測,也就是AOI(Automated Optical Inspection),相較於人眼,機器視覺對環境的適應力更佳,包括高溫、寒冷,甚至是真空等人類難以適應的惡劣環境,機器視覺都可正常運作,再加上現在產線移動速度越來越快,產品體積漸趨精細,人眼已難分辨細小瑕疵,在此情況下,在科技、食品……等製造業中,機器視覺已逐漸取代人力,成為品管檢測的主要技術,近年機器視覺更迅速與AI結合,發展出AIAOI架構。


AI技術持續進化 導入沒有想像中容易

機器視覺的產品類型主要分為PC-Based以及單機兩種架構,PC-Based的使用者大多需要具備程式能力,前段影像擷取的部份由硬體工程師進行整合,軟體需軟體工程是進行系統開發與設計,其開發時程較長,適用於有獨特需求、並具備軟體開發能力的使用者。


至於單機式架構則訴求簡易操作、快速上手。不過,儘管架構不同,但在近年來的AI化趨勢下,機器視覺的軟體平台都必須走向高專業與精簡設計,以利於製造業者提生產線效率,並縮短人才的培育時間。


由於常用的人力檢測已難因應現在產線需求,人眼除了會因工作時間的拉長導致品質下降外,越來越快的生產速度與部分小體積產品,人眼也難以負荷,因此AOI現已成為產線檢測主流技術,透過高解析工業相機與高效能影像軟體,強化製程的檢測效率。



圖2 : 機器視覺已逐漸取代人力,成為品管檢測的主要技術。(source:Metrology News)
圖2 : 機器視覺已逐漸取代人力,成為品管檢測的主要技術。(source:Metrology News)

在過去的產線中,AOI檢測的導入雖然繁複,不過只要在產線設置前期設定完成,後期即便需要更動頻率也不高,因此對製造業者而言負擔並不沉重,不過在多樣化生產需求浮現後,彈性化成為新世代產線必要設計,可快速設定並有自我學習能力的AI逐漸被應用在產線視覺檢測。


影像是目前AI發展最快的領域,透過機器學習演算法快速識別影像的作法,已被廣泛應用於交通、建築系統,其辨識率更可達95%,此辨識率在上述領域雖已足夠,但在產線辨識仍然不足。由於產線辨識會直接影響出貨良率,對錯誤容許度極低,而且被辨識的物件影像數據少、其背景複雜,因此其AI演算法不能一體適用,必須重新設計。


除了演算法之外,硬體是另一個問題。現在AI的主要運算單元是GPU,一般產線上的檢測,必須拍攝到物件的上下左右共6個面向,因此其系統必須架設6組工業相機,而每組工業相機又都需要搭配1張GPU顯示卡作為運算,加總起來的設備成本非常高昂。


此外,現在市面上的GPU多為消費性產品所設計,其產品供貨期偏短,難以滿足需要長期使用的工業系統,一旦GPU供應商斷貨,關鍵零組件就難以為繼,原有零組件一旦故障,設備就有可能因此而停擺,造成龐大的損失。


善用外部專業力量 順利架構智慧系統

要解決上述問題可從幾處著手,首先是考慮到機器視覺在生產線的高度重要性,無論是局部換新設備或整條產線重置,都必須考量到導入時間與成本,對此可選用隨插即用的模組,降低導入時的困難度與複雜度,同時減少新舊系統交替時的成本支出。


產線設備的隨插即用作法可體現在生產設備、AI平台與推論模式,這三大作法解決了製造商的幾個問題,首先是尚未擁有AI模型的製造系統,可藉此快速建立,其次是透過效能夠強的推論模型,修正訓練模型所完成的模式,在現場使用時的不足,最後則是強化與其他系統的整合。


生產設備部分,可於機器視覺原有的影像擷取卡中加入運算處理功能,透過邊際運算的設計,大幅減少現場設備的體積,而且在處理器廠商的技術推動下,運算能力大幅提升,可以單一處理器運算多通道的視覺系統,釋放出設備中原有的插槽空間,讓設備做更有彈性的應用。在推論端,現有廠商將各種應用模組化,使用者可視需求選取功能模組,快速導入至製程系統中,而除了功能導入外,使用者也可藉此將機器視覺的影像顯示於他處,讓系統更具彈性。



圖3 : 具備AI功能的機器視覺,近年來快速與機器手臂整合,打造更具彈性的工廠產線。(source:AIA | Vision)
圖3 : 具備AI功能的機器視覺,近年來快速與機器手臂整合,打造更具彈性的工廠產線。(source:AIA | Vision)

另外,AWS與Microsoft的公有雲,現在都提供了深度學習的服務,為使製造業者善加利用這些資源,現在大型工業電腦廠商都有對應的應用機制,讓製造業者在使用上述公有雲,乃至於其他系統廠商所推出的AI功能時,可快速建構出符合自身需求的機器視覺系統。


雖然在不同環節都有對應方式,不過這些作法彙整到工廠時,仍須因應現場環境而有調整,尤其是部分難以取得數據的製造業更需如此。製造業目前仍有部份產品瑕疵難以檢測,尤其是良率都已高的製程成熟製造業,在其不良品數量偏低的狀況下,AI難以採擷到足以建立訓練模式的分析數據。


對此,可使用反向學習法,將數據採樣方向由不良品轉為良品,透過大量的合格產品樣本,建立起正確樣貌的數據庫,在訓練模式中,只要不合於正確樣貌的產品,都會被歸類於不良品,這種作法雖仍會有漏網之魚,不過相較於現有檢測方式,其檢出率將大有改善。


滾動式調整架構 效益方能浮現

至於在硬體部分,工廠產線必須選擇符合工規標準的GPU產品,現已有廠商推出長期供貨的GPU,解決後續的維修問題。至於多GPU問題,現在NVIDIA已有可以外接型態運作的產品,可在一部工業電腦上外接6組GPU,其效能與過去的 6部電腦一致,不但大幅降低了設備的購置成本,也有效縮減產線空間並提升設備維修效率,且效率大幅增加,過去需要數天的前端AI訓練,導入後僅需數小時,效益提升了30倍以上,實際上線後,也將原來1秒多的運算時間最快縮短到5毫秒。


觀察智慧製造的發展現況,AI與機器視覺的整合效益明顯,系統導入後,產線品質可立即改善,因此被多數業者列為工廠轉型的第一步。不過系統廠商也提醒製造業者AIAOI仍屬於新技術、新架構,在導入前、中、後都必須有滾動式調整的心理準備,才能讓系統貼合產線需求,效益也才能如期浮現。


相關文章
經AOI蒐集全製程資訊 加速傳產數位化轉型
全面進入工業領域 智慧機器視覺系統勢頭看漲
BCM將高壓電池轉化至SELV系統
智能相機實現高效環保的電子元件品檢
人工智慧長驅直入 邊緣運算漸成產業主導要素
comments powered by Disqus
  相關新聞
» 第29屆台灣精品獎揭曉 中小企業獲獎比例創新高
» 凌群電腦多項研發成果 獲2021年台灣精品獎
» 東元、華新麗華聯手結盟 串起綠能產業鏈
» 長庚大學跨校技術交流 與北部12大工業區建構產學合作平台
» 中科引進產研合作AI技術 今展7大廠智慧製造應用
  相關產品
» 中美萬泰推出醫用電腦電源內裝設計WMP-24G-PIS
» 中美萬泰推出新款Intel第八代Whisky Lake工業級觸控電腦
» 安勤觸控雙螢幕AIO POS終端機RiVar模組化擴充快速
» 大昌華嘉在台韓推廣DataPhysics量測設備 投入表面和介面科學領域
» 明緯擴充EPP-500系列


刊登廣告 新聞信箱 讀者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2020 遠播資訊股份有限公司版權所有 Powered by O3
地址:台北市中山北路三段29號11樓 / 電話 (02)2585-5526 / E-Mail: webmaster@hope.com.tw