智慧應用 影音
訂報
event

光電業疫後布局AI智造 看全球車用鏡頭三哥如何優化製程?

車市回溫、新生活常態,抓住後疫情時代新經濟商機,光電業者紛紛加速智慧製造布局。李建樑攝

後疫情新時代智慧應用商機爆發,產業也抓準新市場機會積極布局,除了透過技術提升保持競爭力,現如今AI智慧製造已成顯學,不少製造業者也緊鑼密鼓跟進,藉此強化生產力,以抓住新一波經濟浪潮。像是光電業者受惠車市回溫與後疫情時代,新常態生活促使顯示器需求大幅成長等紅利,都促使業者加速擁抱智慧製造浪潮,尤以台灣中部地區有密集的光電聚落,近年也紛紛借助外部資源搶攻智慧製造。

全球第三大車用鏡頭廠 合盈用AI自動化瑕疵檢測

全世界每輛車所需的車用鏡頭,每3顆就有1顆是出自台中合盈光電。光學元件設計製造商合盈光電是全球第三大車用鏡頭廠,車用鏡頭年產量多達千萬顆,每月約生產3萬~4萬套相機模組,面對量體大的生產品項,合盈光電如何透過AI優化生產流程?

過去在產品檢驗的作業流程中,合盈光電會設置4個檢查站,需要6位作業員透過人工目視檢查外觀瑕疵,但由於人工目視長期用眼,可能影響眼睛視力,阻礙判斷的正確性,加之作業員流動率高,也不易找到新人,因而品檢也成為合盈光電產線過去的一大痛點。

為此,2020年合盈光電與工研院合作,針對相機模組中印刷電路板(PCB)的人工焊點,訓練出AI瑕疵辨識模型,取代原先人工目檢的方法,目前已經可以達到99.96%的高準確率,不只能大幅降低查驗人員的檢測數量,更能提升檢測效率。

工研院所開發的AI瑕疵辨識模型,是利用自主研發的多重特徵影像檢測技術(Deeply-Fused Branchy Networks;DFBN),該技術的深度學習網路架構,包含多個較小但結構完整的分支神經網路,具有高準確率與高速度等的優勢,在低漏檢的狀況下,能有較低的誤警報率,可有效減少需複檢的產品,進而減少目檢員的需求。

曜凌光電 AI模型找出製程參數最佳化

製造業的製程參數相當多且彼此會互相影響,若是因為製程參數偏移而影響產品品質,過往產線上的工程師只能單一站點逐步追查,相當耗費時間。顯示器製造商曜凌光電則透過2種AI模型來預測產品品質,並建立泛用模型同時預測多種產品的製程品質。

以往曜凌光電在蒸鍍製程與投料上會設定大量製程參數,如燃燒溫度、功率、使用前預熱、靶材消耗等,而這些參數更與產品品質息息相關。為了進一步分析大量的製程參數對產品品質的影響,曜凌光電2020年在中科的一項AI技術應用合作計畫中,也找上工研院應用機器學習的方式建立AI模型。

透過此模型,除了能夠預測產品品質,亦能藉由模型提供的關鍵參數,進行製程最佳化調校、分析大量製程參數交互影響,或是在品質檢驗前透過事先預測,在品質發生不良時快速找出原因,大幅縮小探索的方向與次數、時間。

不過在不同產品製程,及各種參數變化都會影響產品最終品質,然過去的參數優化模型只能針對單一產品製程來分析,難以大規模擴散,曜凌光電也透過建立泛用模型來同時預測多種產品的製程品質。由於不同產品製程受各種變數的影響程度有所不同,AI則是可以透過剖析各變數對結果值的影響程度,就能找出影響製程的關鍵參數、了解產品原料及配方的交互影響。有助於在實際應用場景中,透過減少實驗次數與降低開發時間與成本,來協助新產品的開發。


  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 智慧製造 AI 車用鏡頭 光電業