智慧應用 影音
Truphone 線上活動
event

不只降本增效 AI品管解決方案更勝人類表現

基於L-DNN的品質控制解決方案無需為個別生產情境建立專屬模型。Neurala

品質控制應用極有機會受惠於人工智慧(AI),相關技術成熟與COVID-19(新冠肺炎)(COVID-19)防疫措施要求保持安全社交距離,促使製造商採用結合智慧攝影機與基於AI技術的品質控制解決方案,不僅表現優於人類檢查員,還能協助製造商降低品質檢測成本與延遲。

根據Automation World報導,許多工業領域的技術都已運用AI或受AI影響,跟經營製造與加工設施相關的工業自動化領域應用也連續數年成長。機器視覺應用於品質檢測已有多年,但整合基於深度學習(deep learning)的品質控制軟體與智慧攝影機的解決方案,自動化程度更高、功能與彈性更完善。

採用機器視覺的傳統檢測程序,需由專業人員決定攝影機拍攝的影像中,跟檢測程序相關的物體邊、角、弧線、色塊等特徵,並建立辨識特徵的rule-based系統以確認產品符合預期與否,例如應用於包裝線檢測時能根據外型彎曲與外皮轉黃的程度來分辨成熟的香蕉,不過有些情況下機器視覺仍力有未逮。

例如品質差異若主要基於定性、不明顯、多變的因素,則不易以機器視覺分辨好壞。反之深度學習系統無需專業人員就能以受監督的(supervised)方式與特定的資料集訓練模型,自主學習找出品質相關的重要特徵,並建立整合檢測各項特徵的rule-based系統以判斷品質優劣,且只要以不同的資料集訓練模型,就可以用於檢測其他產品。

透過深度神經網路(DNN)學習演算法,就無需為個別的生產情境手動建立模型,只要依各種目標產品的屬性,收集適當的特徵資料即可據以訓練檢測目標產品的模型,例如以無瑕疵與有瑕疵產品多元且高品質的照片訓練DNN模型,就能產生可靠、錯誤率低、精準的視覺系統來辨識與檢測。

此外為簡化產品特徵資料收集、模型訓練與部署,新型的不間斷、終身學習式DNN正在發展中,只要以一般性的小型資料集就能訓練模型而無需使用產業專屬的資料集,因此,模型也僅需由終身DNN(L-DNN)供應商獨立於製造商一次性建立。此外由於特徵訓練與規則訓練階段各自獨立,因此作業中可隨時新增規則或重新配置以因應需求。

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: AI