Solomon
活動+
 

從資料礦山中掏出金沙 緯創用十數萬張影像資料磨出AI瑕疵檢測

許多製造業者都發現即便導入AOI,產線後方仍需要耗費多餘人力進行第二道複檢。Image by skeeze from Pixabay

電子代工大廠緯創集團近日受NVIDIA之邀參與「AI策略高峰會」,分享其運用深度學習優化瑕疵檢測作業流程,希望以「零目檢」目標,改善過去產業在運用AOI進行瑕疵檢測時,仍需要人力目視做為第二道複檢,讓生產線上的作業員提高其生產價值。

歸功於影像辨識技術成熟,目前在製造業的AI應用實例中當屬瑕疵檢測需求為多,而這需求其來自AOI自動光學檢測的缺陷。AOI是製造業典型用來進行產品瑕疵檢測的工具,但緯創軟體產品中心資深經理梁維國表示,AOI雖然能夠改善過去純人力檢測、提高檢測效率,但由於為維持高良率目標,業者往往把AOI的參數嚴格設定而造成機台敏感,此外也存在誤判可能,這時產線後方就需要人力進行第二道複檢流程。

不只緯創,許多製造業者都發現即便導入AOI,產線仍需要耗費多餘人力,而這顯然與現今高唱自動化生產的理念背道而馳。因此緯創也以「零目檢」為目標,希望透過在AI的輔助下能夠達到智慧化瑕疵檢測。梁維國表示,緯創前後花了約1年時間,才讓AI實際應用於瑕疵檢測流程正式上線,目前已在3個廠區落實,主要會應用在SMT與DIP,以筆電與伺服器產品為主,而隨著經驗越來越成熟,接下來擴展到其他廠區的速度也會越來越快。

目前緯創在SMT部分,已投入超過15萬張影像資料作為AI數據進行訓練,並分別透過15個模型進行AI辨識,系統僅花0.01秒就能準確辨識瑕疵。而在DIP部分,則投入超過13萬張影像資料,分別透過7種零件定義出40種型態,並透過5個模型進行分類。

此外,梁維國也分享實際從AI訓練到正式上線的過程。事實上,部署AI還有很多眉角,企業導入AI第一件事就是定義需求,AI雖是大勢所趨,然而許多企業仍會把AI用在錯誤或根本不需要AI的地方,這反而可能讓這項工具無用武之地。而在明確定義應用及需求的重要性後,再來則是進行資料標記。梁維國說,緯創一開始蒐集超過百萬張影像資料,但只從中萃取15萬張,因為重點是要「從資料礦山中掏出金沙」,以瑕疵檢測來說,業者必須挑選出真正能夠代表瑕疵特性的影像,而光是從定義需求到資料標記,這段還不算正式開始投入AI訓練的過程,但緯創當初在這兩個階段就花了好幾個月時間進行磨合。

而在模型訓練到驗證階段,雖然初期訓練好的模型可以獲得極高的辨識成功機率,但往往一放到產線上進行驗證,還是會發現跟預期有落差,因此在驗證過程中業者還是得回過頭從data中檢視是否為影像數據的不足,並補強不足之處,以電子製造業來說,目前的問題仍卡在資料稀疏性的不足,而這也是未來產業值得思考的方向之一。


  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 緯創 AOI 影像辨識 大數據