AI在智能视觉检测系统中的应用

作者:admin    发布时间:2019-05-07    浏览量:

AI要能发挥价值、创造效益,落地到行业里头是关键,相较于营销广告、安防、新零售等,工业领域更像是一片蓝海,目前在 AI 与工业的结合,多提到大数据优化生产排程、监控零部件或机台设备运作以及故障预警等,还有一个领域也有不少研究及进展,就是生产过程中的瑕疵检测,包括线路瑕疵、外观瑕疵等。

制造行业强调品质控管,把产品出货给客户前,必须确保其功能正常,一旦检测出错,会导致很大商业的损失,除了靠人力检验之外,在生产过程中,使用非接触式的自动光学检测(AOI,Automated Optical Inspection)或自动视觉检测(AVI,Automated Visual Inspection)设备已经行之有年,旨在通过高精度摄像头、机器视觉技术等,抓出有瑕疵或缺陷的产品,像是金属零部件制造厂通过 AOI 设备来检测金属扣件、螺丝是否光滑、有无细微裂缝等,自动化程度相对较高的电子业,像是 PCB、PCBA 电路板、Wafer 晶圆及面板行业采用的比例也非常高。

以电子业来说,市占率较高的设备检测商首推以色列公司奥宝(orbotech),在 PCB、面板领域有很高的市占率,不过,美国的半导体检测设备大厂科磊(KLA-Tencor)在去年 3 月收购了奥宝,扩大服务范畴。其他知名的公司还有像是美国的 Rudolph Technologies、日本 Takano 等。

随着近年深度学习的兴起,瑕疵检测也出现新的技术演变,从传统的 AOI 转向与 AI 结合,不少初创公司开发用以检测元件瑕疵的 AI 软件,或与 AOI、AVI 设备结合使用。另一方面,检测设备商也通过 AI 技术优化 AOI 设备的准确度。

源自于清华大学 AI 研究院的产学研结合技术公司—瑞莱智慧(RealAI)锁定工业三个领域:工业视觉检测、预测性维护、工艺优化,其中已通过计算机视觉的手段,开发光伏面板 EL 缺陷自动检测算法。

中国已是工业制造大国,一直以持续提升制造的品质及效率为目标,瑕疵检测迈向 AI 化,也可望对国内制造业带来新的契机。

传统 AOI 与 AI 瑕疵检测

 AI视觉检测系统

谈论瑕疵检测 AI 之前,有必要先了解 AOI,其核心技术大致有四块:

光学光源:取像元件、感光模组、光学镜头、光源照明设备

机构控制:可程序逻辑控制器、PC-Base 控制主机单芯片控制板

影像处理:边缘侦测、图像匹配、特征侦测、摄像头校正等

分析软件:统计分析、数据处理

广义的 AOI 设备是结合光学、讯号处理系统和分析软件,可应用在生物医学、指纹比对、品质检测等方面;狭义的 AOI 多是指应用在工业上,利用高精度摄像头拍摄产线上的产品,查看是否有瑕疵。

不过,以往的 AOI 检测常见几个遭诟病的问题,首先是误报率(False Alarm)过高,行业人士对 DeepTech 表示,目前 PCB 瑕疵检测设备的误判率甚至高达 5 成,需再透过大量人力搭配后端验证修复站(VRS,Verify Repair Station),将 PCB 图像放大数百倍显示在屏幕上让操作人员确认。而往往造成设备误报的原因还不少,包括产品色差不同、环境光源、算法能力、摄像头等级等。

同时,各行业遇到的检测瓶颈也不同,像是 PCB 遇到的瓶颈主要在终检站;晶圆生产则是在黄光站,想要解决这些问题,非常需要与行业专业知识(domain knowhow)深度配合。

其次,传统的 AOI、AVI 设备通常适用于检查二维平面结构的产品,所以这也是为什么 PCB、面板行业导入的比例很高,后续有部分 AOI 业者开始推出三维检测,但系统检测的时间拉长。此外,AOI 设备价格相对昂贵等也是一个问题。

对比传统模式,AI 瑕疵检测有三大优势:第一也是最重要的是准确率提升,当误判率下降后,就不用像过去一样雇用许多人力来进行二次确认。第二则是检测速度变快,而且可分类缺陷,举例来说,半导体检测设备多是侦测瑕疵,鲜少将其分类,但不同瑕疵类别产线会产生不同程度的严重性,尤其是 Defect Type 1 为极重大瑕疵,一旦发生就要停机检查,时间可能长达 2~3 天,影响产能,目前半导体检测厂仍是高度倚赖人工分类瑕疵,通过 AI 有助于降低瑕疵分类的时间。第三则是后续可以进一步诊断瑕疵出现的原因,但此部分必须跟生产机台数据串接,属于较长期的发展方向。

痛点明确,电子行业陆续导入

PCB 行业使用 AI智能视觉系统进行瑕疵检测

训练一个检测产品瑕疵的 AI,做法像是使用计算机视觉+深度学习,从原始图像中提取感兴趣区域(ROI),这会经过多个处理程序包括图像的灰度、型态转化如腐蚀(eroding)、膨胀(dilating)等,最后勾勒出 ROI 区域,并利用深度学习算法如 CNN,在 ROI 区域侦测瑕疵。数据则包括众多有标记出缺陷的独特图像、以及标记为正常产品的图像,来进行监督式学习。也有人使用端到端的深度学习架构,以深度学习来预测 ROI,而非计算机视觉。使用带有标注的数据集来训练可预测 ROI 的架构,不过标注的数据集必须明确且足够广泛。

2019 年将是 AI 快速落地工业制造领域的一年

先前 AI 落地安防、新零售、医疗等的讨论较多,但其实在工业上也可发挥很大的效用,目前哪些领域应用的比较多,或是企业接受度较高?田天指出,目前在缺陷检测和预测性维护两大方面客户接受度和需求较高,主要是因为该领域为客户痛点,能直接为客户节省大量的费用。预测性维护也有利于避免重大事故,对于安全制造和安全生产至关重要。

对于 2019 年人工智能在工业制造领域的发展,将会是快速发展以及各种技术落地的一年。首先是已积累大量算法及行业示范效应,过去 10 年间,AI 领域开发了大量优秀算法,为实际应用储备了大量的工具。近年来,人工智能开始大规模应用于金融和互联网等领域,起到了较好的示范效应。

再来就是政策方面,国家快速推进工业互联网的发展,并鼓励企业进行智能化转型。随着社会对人工智能的逐渐熟悉与接受,工业领域的大量企业开始寻求使用人工智能深度结合领域知识,切实解决领域内的问题。

因此,在人工智能具有较高的社会接受度和丰富的技术储备;工业领域具有大量的数据积累,且普及应用传感器;加上国家层面在政策上大力支持,2019年都会是人工智能技术在工业制造领域中快速发展与落地的一年。

相关新闻推荐

关注官方微信

微信二维码
版权所有 深圳市如虎科技有限公司 Copyright © 2018-2019 Tigervs.Com All Rights Reserved 粤ICP备19029139号-1