账号:
密码:
最新动态
产业快讯
CTIMES / 文章 /
AI与机器视觉走向整合 产线品质改善效益明显
 

【作者: 王明德】2020年10月08日 星期四

浏览人次:【9107】

整合AI与机器视觉两大技术,并将之应用于产品品质检测环节,被多数业者列为启动智慧制造的第一步,不过对多数业者来说,AI属于新技术,要让效益如期浮现,架构仍须不断调整。



图1 : 整合AI与机器视觉两大技术,并将之应用於产品品质检测环节,被多数业者列为启动智慧制造的第一步。(source:SEMI)
图1 : 整合AI与机器视觉两大技术,并将之应用於产品品质检测环节,被多数业者列为启动智慧制造的第一步。(source:SEMI)

机器视觉是自动领域发展已久的技术,过去主要应用于产线品质检测,也就是AOI(Automated Optical Inspection),相较于人眼,机器视觉对环境的适应力更佳,包括高温、寒冷,甚至是真空等人类难以适应的恶劣环境,机器视觉都可正常运作,再加上现在产线移动速度越来越快,产品体积渐趋精细,人眼已难分辨细小瑕疵,在此情况下,在科技、食品……等制造业中,机器视觉已逐渐取代人力,成为品管检测的主要技术,近年机器视觉更迅速与AI结合,发展出AIAOI架构。


AI技术持续进化 导入没有想像中容易

机器视觉的产品类型主要分为PC-Based以及单机两种架构,PC-Based的使用者大多需要具备程式能力,前段影像撷取的部份由硬体工程师进行整合,软体需软体工程是进行系统开发与设计,其开发时程较长,适用于有独特需求、并具备软体开发能力的使用者。


至于单机式架构则诉求简易操作、快速上手。不过,尽管架构不同,但在近年来的AI化趋势下,机器视觉的软体平台都必须走向高专业与精简设计,以利于制造业者提生产线效率,并缩短人才的培育时间。


由于常用的人力检测已难因应现在产线需求,人眼除了会因工作时间的拉长导致品质下降外,越来越快的生产速度与部分小体积产品,人眼也难以负荷,因此AOI现已成为产线检测主流技术,透过高解析工业相机与高效能影像软体,强化制程的检测效率。



图2 : 机器视觉已逐渐取代人力,成为品管检测的主要技术。(source:Metrology News)
图2 : 机器视觉已逐渐取代人力,成为品管检测的主要技术。(source:Metrology News)

在过去的产线中,AOI检测的导入虽然繁复,不过只要在产线设置前期设定完成,后期即便需要更动频率也不高,因此对制造业者而言负担并不沉重,不过在多样化生产需求浮现后,弹性化成为新世代产线必要设计,可快速设定并有自我学习能力的AI逐渐被应用在产线视觉检测。


影像是目前AI发展最快的领域,透过机器学习演算法快速识别影像的作法,已被广泛应用于交通、建筑系统,其辨识率更可达95%,此辨识率在上述领域虽已足够,但在产线辨识仍然不足。由于产线辨识会直接影响出货良率,对错误容许度极低,而且被辨识的物件影像数据少、其背景复杂,因此其AI演算法不能一体适用,必须重新设计。


除了演算法之外,硬体是另一个问题。现在AI的主要运算单元是GPU,一般产线上的检测,必须拍摄到物件的上下左右共6个面向,因此其系统必须架设6组工业相机,而每组工业相机又都需要搭配1张GPU显示卡作为运算,加总起来的设备成本非常高昂。


此外,现在市面上的GPU多为消费性产品所设计,其产品供货期偏短,难以满足需要长期使用的工业系统,一旦GPU供应商断货,关键零组件就难以为继,原有零组件一旦故障,设备就有可能因此而停摆,造成庞大的损失。


善用外部专业力量 顺利架构智慧系统

要解决上述问题可从几处着手,首先是考虑到机器视觉在生产线的高度重要性,无论是局部换新设备或整条产线重置,都必须考量到导入时间与成本,对此可选用随插即用的模组,降低导入时的困难度与复杂度,同时减少新旧系统交替时的成本支出。


产线设备的随插即用作法可体现在生产设备、AI平台与推论模式,这三大作法解决了制造商的几个问题,首先是尚未拥有AI模型的制造系统,可借此快速建立,其次是透过效能够强的推论模型,修正训练模型所完成的模式,在现场使用时的不足,最后则是强化与其他系统的整合。


生产设备部分,可于机器视觉原有的影像撷取卡中加入运算处理功能,透过边际运算的设计,大幅减少现场设备的体积,而且在处理器厂商的技术推动下,运算能力大幅提升,可以单一处理器运算多通道的视觉系统,释放出设备中原有的插槽空间,让设备做更有弹性的应用。在推论端,现有厂商将各种应用模组化,使用者可视需求选取功能模组,快速导入至制程系统中,而除了功能导入外,使用者也可借此将机器视觉的影像显示于他处,让系统更具弹性。



图3 : 具备AI功能的机器视觉,近年来快速与机器手臂整合,打造更具弹性的工厂产线。(source:AIA | Vision)
图3 : 具备AI功能的机器视觉,近年来快速与机器手臂整合,打造更具弹性的工厂产线。(source:AIA | Vision)

另外,AWS与Microsoft的公有云,现在都提供了深度学习的服务,为使制造业者善加利用这些资源,现在大型工业电脑厂商都有对应的应用机制,让制造业者在使用上述公有云,乃至于其他系统厂商所推出的AI功能时,可快速建构出符合自身需求的机器视觉系统。


虽然在不同环节都有对应方式,不过这些作法汇整到工厂时,仍须因应现场环境而有调整,尤其是部分难以取得数据的制造业更需如此。制造业目前仍有部份产品瑕疵难以检测,尤其是良率都已高的制程成熟制造业,在其不良品数量偏低的状况下,AI难以采撷到足以建立训练模式的分析数据。


对此,可使用反向学习法,将数据采样方向由不良品转为良品,透过大量的合格产品样本,建立起正确样貌的数据库,在训练模式中,只要不合于正确样貌的产品,都会被归类于不良品,这种作法虽仍会有漏网之鱼,不过相较于现有检测方式,其检出率将大有改善。


滚动式调整架构 效益方能浮现

至于在硬体部分,工厂产线必须选择符合工规标准的GPU产品,现已有厂商推出长期供货的GPU,解决后续的维修问题。至于多GPU问题,现在NVIDIA已有可以外接型态运作的产品,可在一部工业电脑上外接6组GPU,其效能与过去的 6部电脑一致,不但大幅降低了设备的购置成本,也有效缩减产线空间并提升设备维修效率,且效率大幅增加,过去需要数天的前端AI训练,导入后仅需数小时,效益提升了30倍以上,实际上线后,也将原来1秒多的运算时间最快缩短到5毫秒。


观察智慧制造的发展现况,AI与机器视觉的整合效益明显,系统导入后,产线品质可立即改善,因此被多数业者列为工厂转型的第一步。不过系统厂商也提醒制造业者AIAOI仍属于新技术、新架构,在导入前、中、后都必须有滚动式调整的心理准备,才能让系统贴合产线需求,效益也才能如期浮现。


相关文章
开启边缘智能新时代 ST引领AI开发潮流
NVIDIA人工智慧专家看2024年
你的下一个运动教练可能是人工智慧
机器视觉+自动化系统捡选优质柠檬
以Wi-Fi无线通讯设备增进仓储物流效率与安全
comments powered by Disqus
相关讨论
  相关新闻
» 帆宣与隹世达合组「达宣智慧」公司 启动智慧医疗引擎
» 台湾三丰携手SAP 转型上云 巩固量测仪器市场优势
» 经济部提供融资协助工具机拓展海外市场
» 海大与法国浜海大学合作推升智慧永续海洋
» 国研杯智慧机械竞赛成绩揭晓 联合大学机器人挑战高尔夫夺冠


刊登廣告 新聞信箱 读者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2024 远播信息股份有限公司版权所有 Powered by O3  v3.20.1.HK83J6L1XOKSTACUKB
地址:台北数位产业园区(digiBlock Taipei) 103台北市大同区承德路三段287-2号A栋204室
电话 (02)2585-5526 #0 转接至总机 /  E-Mail: webmaster@ctimes.com.tw