工研院
斷鏈之後
 

製造業應用AI瑕疵辨識眉角多 跨業別跨製程都難有Copy-Paste的可能性

當前將AI應用在自動光學檢測(AOI)用以輔助其提升瑕疵辨識的準確率,被製造業鎖定為市場下一個應用著力點,然而將AI與AOI整合確有其可發揮優勢之處,但業者指出,不同產業別對於運用AI辨識瑕疵成像仍舊充滿挑戰,而有些問題,甚至會讓整個專案根本無法推動。

將AOI結合AI建置工廠內的智慧檢測設備、並成功切入光電產業的太奇雲端,從訓練光電產業超過千萬張瑕疵成像的過程中,實際摸索出一些經驗。太奇雲端總經理李承勳表示,AOI在製造業中雖已被各種產業廣泛使用於瑕疵檢測,但現階段AI瑕疵辨識並無法開發出可適用於跨產業的泛用型方案,舉光電產業為例來看,其中的眉角就甚多。

首先是客戶對於瑕疵的定義不同,李承勳舉例,像是對刮痕的定義,同是光電產業之下的LED與LCD產業也會有定義上的落差,因此客戶最常問及,同個產業是否能將他廠成功經驗完美複製?然摒除商業機密不談,答案仍然是否定的,更別說即便在同一個產業中,不同製程也仍舊無法混用。

再者,則是對於瑕疵的標準難以捉摸。同一種瑕疵類型,由於面積大小的差異,也可能加深AI在辨識上的阻礙,而最複雜的情況,則是基於終端客戶的標準不一,使得在不同時間點之下,對於瑕疵標準的規範形成差異化。

李承勳指出,業者往往難以確切得知終端客戶的標準線在哪,像是面對歐美客戶和非歐美客戶,兩者對於品質的要求就有很大的差異,因此像是從面積大小上判定是否為瑕疵,也就會形成兩套標準,但是這對負責開發AI的業者來說相對困擾,AI雖能夠準確判別瑕疵,但尚無法適度彈性,隨時更改遊戲規則。

因此李承勳認為,從製造業的角度來看,在瑕疵辨識應用中整合AI,已經不能單純從AI這項技術而論,還必須與周邊因素配合考量,而這當中就包括了客戶端對於品質的要求程度不一,以及外在環境條件,像是光電產業相較其他產業別來說,更容易在瑕疵辨識過程中在不同光源的影響下,受光影變化而增加辨識的不可確定性。

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 光電產業 AOI 人工智慧