report
活動+

落實智慧製造 處理瑕疵檢測及設備異常有一套

  • 台北訊
工研院巨量資訊科技中心組長張森嘉博士指出,業者要想達成AI落地,必須建立動態收集資料,滾動調整深度學習模型的機制及態度。

人工智慧(AI)的相關議題非常多樣化,如何落實應用是許多人關切的議題。工研院巨量資訊科技中心組長張森嘉博士指出,政府積極推動人工智慧技術與應用發展,製造業的應用是其中的重點。

智慧製造技術雖然已經可以應用在製造流程的許多環節,但張森嘉指出,要將工廠所有的資料加以整合,也是有許多困難要克服,需要以前瞻且效果優異的眾智式學習技術為分析預測應用的核心,打造基於眾智式學習的智慧分析平台,透過具有高度跨應用的擴充性,解決產業面臨的各項問題。

以工廠常見的檢測工作為例,要同時滿足瑕疵檢測所需的高準確度與高速度並不容易,張森嘉指出,工研院特別研發出透過DFB-Net(Deeply-Fused Branchy Networks)提供分支決策與協同決策的彈性,對於難易不同的待檢影像,提供整合最佳分析結果,以提高預測準確度並減少執行時間。

目前的印刷電路板(PCB)瑕疵檢測設備,往往需要耗費大量人力,以放大數百倍的狀態將PCB的圖像顯示在螢幕上,供操作員去確認缺陷,誤判率高達五成以上,但改用工研院工業視覺最佳化架構,不管是判讀正確率及速度都可大幅提高。

在晶圓瑕疵分類應用方面,目前的檢測設備僅能將瑕疵偵測出來,並無好的方案可將瑕疵分類,張森嘉指出,工研院目前已研發可強化重要瑕疵類別分類機率的作法,降低重要瑕疵類別的誤判率,對於晶圓瑕疵五類分類的案例,整體正確度高達97%。

但要讓深度學習產品瑕疵檢測落地,仍要面臨不少挑戰。張森嘉指出,除了使用者端對深度學習的優勢了解不足外,許多應用問題如小缺角、色差等,並不適用深度學習,加上目前能蒐集到的瑕疵數量太少,分類正確率不足,往往會造成漏檢問題,業者要想達成AI落地,必須建立動態收集資料,滾動調整深度學習模型的機制及態度。

「人工智慧」使用於智慧製造的另一個應用,則是處理設備與品質異常問題。張森嘉指出,利用人工智慧分析使用生產過程中機台相關資料和維修記錄,就能減少非預期性停機,快速找出故障源,提升機台產能。人工智慧還可用來做虛擬量測,利用品質估測技術,做到線上即時的全面檢測,減少不良品流出。