字数统计：字预计阅读时间：约5分钟
前言
在制造行业，运用影像机器检测机替代人工检验已有十多年，已经成为大多工厂使用的设备。随着科技的发展，具有AI功能的影像机器检测机也在制造企业开始普及，由于在使用过程中，并没有做好充分的准备或认识，导致虽然花了很大的价钱购买了设备，但是却没有真正发挥AI的作用，因此本文将和大家一起讨论AI影像检测机的利与弊。
1什么是影像机器检测机
在制造业，影像机器检测机已经有越来越多工厂用在生产中。在过去一排排作业员检查产品、整个产线密密麻麻都是操作工的画面，已经越来越少见，在满足顾客个性化需求的趋势下，从大量客制化走向少量多样性的生产，即便是少量生产都要能获利，而质量检验是产线中的重要环节，从过去使用人工检查，到现在使用机器代替人眼，使用人工智慧代替人脑，且能在各种不同环境下维持相同检测能力、24小时不停运作，这样的投资效益高且立即可见成效，使用影像机器检测机成为许多制造业者的选择。
影像机器检测机(MachineVision)使用感测视觉仪器进行检测，是目前制造智能化发展最快的领域。影像机器检测机在制造业的应用包括量测、辨识、定位、检查，这4大项目中又以检查的应用最高，也就是AOI(AutomatedOpticalInspection；自动光学检测)。
维基百科指出，AOI应用层面包括国防、民生、医疗、环保、电力、科技、制造等领域之研发、制造品管，可用以改良传统上靠人力来进行检测的缺点，利用光学仪器取得成品的表面状态，再以电脑影像处理技术来检出异物或图案异常等缺陷，以非接触式检查来进行质量检验。也就是将「嵌入式视觉+演算法+影像处理软体」整合入AI模组相机，软体(如Visionpro等)提供开发者快速的视觉流程评估概念，从影像进来到视觉结果的产出，提供可视化结果操作介面。因著这样模组化的方式，现今影像机器检测机的处理速度比先前更快速。
相机的主要功能和核心技术包含：影像摄取、影像传输，除了相机的硬体之外，软体开发工具包SDK也是一个很重要的因素，一个充足的SDK，可以帮助软体工程师大幅缩减开发的时间，相机在摄取影像后，必须把影像稳定的传输到PC，所谓的稳定包括了高速、不掉张、不失真、不被外部影响的传输，一般都是在PC上做影像预处理的功能，但有些相机工厂也会在相机上做影像预处理，让PC端可以有效能去处理其他的功能。
2如何提高AI检测的准确率
1、要确定检测部位、缺陷、希望达到的准确率。
例如金属表面检测，在使用传统视觉应用时，是抓取标拔时做pattern-matching，Pattern-marching可能有塑胶覆盖、放大缩小、颜色不对、取像模糊等问题，透过演算法来解决，让产线不停机，追求产能最佳化。但是如果检测的项目很基本，如在成品中只要出现黄色就是缺陷，其他地方都是绿色的，是正常的，那在这种情况下只需要用AOI即可进行辨识，并不需要用到AI。
2、需要准备产品图库。
如果连图库都没有，那就得先做取像，那么如何进行产品取像呢？
第一步，适合的角度、正确的打光，才能准确拍摄缺陷图片。
先架设取像设备如相机，再者调整打光、取向的角度，有些缺陷可能用肉眼可以判断，因为人会用手转不同角度来观看，但是透过相机却找不出来，这跟光线与拍摄角度有关，许多要检测的物品通常都不是平面的，当光进去时如果跟缺陷同一个角度，无法让光反射出来，很可能就会看不到缺陷，需要测试与调整找出一个适合拍摄的角度、正确的打光，才能正确摄取缺陷的图像。这也是很多AOI设备目前判断率低的原因之一，就是打光与取像角度，不一定能适合相机照出可供判断的图片。
第二步，缺陷分类与定义。
把检测的东西取像下来后，取像的图片质量如何、缺陷是否清楚，是否用一般镜头就可以看出来、还是要用显微镜才能看出来也需要做判断。图像取好后，要把缺陷做分类与标注，有些产业的成品是缺陷、异色的样品很多，需要花上很长时间讨论样品缺陷规格、做标记(Label)，这部分就用到大量的工人智慧。要有人做资料前处理、要有人去标记、要有人标记转换成演算法可以读的格式，需要做资料分类清洗，才能喂给AI做训练，很多时后在做POC验证时会发现结果不好，很有可能是分类没有做完整。
第三步，AI训练。
取像完之后，透过AI训练，当缺陷检测准确度达到一定的标准之后，就可以把模型导入上线，就像是人去学习模型一样，用新的图片实际测试它学的结果，AI的上线为inference推论，把训练好的模型跟AI推论引擎搭配，来做运算。
3、充分利用专业人士的行业经验
准确率低往往跟缺陷定义不明、标记定义有问题以及缺陷样品量不够大有关。缺陷定义不明与标记定义有问题完完全全取决于工人的智慧，资料的质量不够好、有人为错误或杂讯时、或有太多不相关特片，资料的规则就不容易找得到，可能无法有好的训练结果，这时domainknowhow显得异常重要。以一家金属设备厂做的质量特征AI模型来说，搜集来的参数有超过五十种，但经过判断之后，最后只需要5种就能训练出相当好的模型，这就是工人智慧的重要。
4、准备充足的缺陷样品
理论上资料越多，训练的深度学习的模型越准，但喂资料给AI时要求的是平衡，建议要有正常的资料跟缺陷资料，不能在某种特定类型比较多，这样训练出来的结果就会有偏差；另外也需要具有代表性的训练资料，关键的资料如果没有进去，模型就会有偏差，需要减少取样偏差。因此资料前处理是成功的关键。
而最难解决的就是缺陷样品不够多的问题。很多产业现今自动化与精益管理做得很好，导致缺陷样品过少，很难提供给AI足够的量来做训练，以致于训练出来的AI模型精准度不高。
3什么情况下使用具有AI功能的设备
AI并非万能，并不是所有的情况都适合导入AI。以下是不推荐使用AI功能设备的情况：
1、 高精准检测要求如精准定位、精准测量、读码等重复精度要求高的检测项目；
2、 检测成品仅需单纯判别单一颜色、或单一缺陷时，或缺陷不复杂时；
3、 缺陷检测工位以高速运行时；
4、 AI需要另外加装硬体，需要支出一笔设备费用。也有可能因为持续大量的运算导致设备过热，得额外购置降温的器材如冷气。此外，演算时需要大量影像数据的搬移，硬体如果没有调适好，速度会变慢。
以下情况可以考虑使用AI功能的设备
如果缺陷检测的项目是在复杂背景下无规则异类检查、畸变型态的物体定位、变形字体的OCR时，就可以使用AI来做检查。而实务上可以使用几个不同的演算法，没有哪一个演算法是能解决所有问题的。
其实使用AI的价值在于从AOI搜集到的数据进行分析归纳后，透过资料传连传输工具，将资料抛到MES或ERP系统，以查出物料、生产等与缺陷的关联，找出不良的原因，透过数据回馈来优化整体生产，以增加效能与产能、产品与服务的创新。
AOI与AI的比较
转载请注明：http://www.0431gb208.com/sjszyzl/4155.html
