解決現場導入困境 AI與視覺檢測整合發展潛力無窮

機器視覺是智慧製造的先期應用，透過與AI的整合，可大幅提升產線的視覺檢測效率。DIGITIMES攝

機器視覺與機器手臂是工廠自動化領域中兩大代表性技術，經過長年發展，應用已臻成熟，近年來智慧化浪潮襲全球製造業，工業物聯網與AI被快速導入至生產系統中，機器視覺與機器手臂成為製造智慧化的先期應用。

機器視覺是目前製造智慧化發展最快的領域。機器視覺在製造業的應用包括量測、辨識、定位、檢查，這4大項目中又以檢查的應用最高，也就是AOI(Automated Optical Inspection；自動化學檢測)。檢測是產線中確保產品品質的重要環節，過去以人工視檢為主，由於在產線中，人眼還是最具智慧判斷能力，因此即便現在自動化程度已高，多數傳統製造業的產線還是以視檢為檢測主流。

不過人眼終究有其極限，除了正確率與效率會因長時間作業而遞減外，速度較快、小體積產品與細小瑕疵的檢測，人眼都無能為力，此外視檢也會因作業人員對良品的定義不同，導致出貨產品品質標準不一，因此現在高度自動化產線中，視檢已然被AOI取代。

AOI所使用的機器視覺架構包括光源、鏡頭與視覺處理軟體，透過鏡頭快速擷取物件影像，再由後端的視覺處理軟體判斷物件品質。機器視覺發展已久，無論是影像感測器或通訊標準都已成熟，在高度自動化系統中，應用也相當普及，不過就如前文所敘，在智慧化趨勢下，機器視覺已開始改變。

機器視覺AI化  系統商須掌握軟硬兩端技術

近年來機器視覺的最大演進是結合AI。過去AOI與自動化系統深度結合，其架構完全嵌合在高速、大量的製造系統中，而為了配合高速生產，架構中的所有軟硬體條件都因應單一產品調整至最佳化，由於產品種類少，並不要求彈性。不過近年來受消費性市場影響，製造業少量多樣生產的比例開始提升，彈性成為智慧製造系統的設計重點，在此情況中，AI適時崛起，讓機器視覺開始進化。

AI提升了機器視覺的彈性與效率，除了維持機器視覺的高速判別外，透過深度學習演算法，AOI設備可自主學習對產品的檢測標準，並快速複製到其他產線，讓整廠製造系統的良品標準一致，同時簡化了設備上線使用時的設定難度。

設定難度的簡化加上高彈性應用特色，讓廠商將機器視覺的設置觸角延伸到產線的更前端。一般檢測都是在產線的最末端，而到此環節的瑕疵品處理，不是淘汰丟棄就是送回前端改善，無論哪一種方式都會耗費大量資源。

現在有製造商將機器視覺設置在產線中各環節，一旦發現瑕疵，就立即通知該站工作人員改善，如此就可避免後續工作站繼續加工已有瑕疵的產品，造成時間與物料資源的浪費。

雖然機器視覺與AI的結合可帶來極佳成效，不過要實際導入，仍需克服重重困難。現在AI的主流演算法是機器學習，在多數應用中則再深入使用機器學習(Machine Learning)的分支–深度學習(Deep Learning)，不管是機器學習或深度學習，要上線使用前，都必須先建立訓練模型(Training)，讓數據先再訓練模型中跑過，再將結果下載到終端使用，而現在實際導入會遇到兩大問題，一是訓練模式與現場設備的匹配問題，二是導入應用後發現與訓練模式的成效有落差。

製造現場的狀況複雜，訓練端所完成的模式必須要與現場端的設備匹配，AI才能發揮預期效能，不過這點目前看來有其困難，多數智慧製造的POC(Proof of Concept；概念性驗證)受阻的原因也在此。另一個問題則是訓練模式的效能未能如預期發生在現場設備上，會造成此狀況的原因在於系統廠商對AI軟硬體軟硬體的掌握度不足。

深度學習演算法的神經網路相當複雜，市場上的硬體加速器種類也非常多，同一神經網路運作在不同加速器上有可能產生極大差異，造成最終結果不同。不過這問題看似複雜但並非無解，目前工業領域最常用神經網路約有20種，這20種神經網路涵蓋了現在80%的應用範圍，在硬體方面，則不外乎Google的TPU、NVIDIA的GPU與兩家CPU大廠Intel、AMD的AI處理器，系統廠商必須了解不同神經網路與硬體加速器匹配效益，才能讓終端設備的運作合乎預期。

AI視覺加上機器手臂  製造系統彈性更佳

機器視覺除了作為AOI檢測外，與機器手臂整合，讓系統有眼(機器視覺)、有手(機器手臂)、有腦(AI)，將可大幅提升產線彈性，目前多數系統廠商也朝此方向走。與機器視覺整合的大多是關節型機器手臂，透過建置於作業區域與手臂上的工業相機，判斷出物件位置，再引導手臂調整角度與路徑完成動作。

這類型整合視覺與手臂的系統，大多用在對高彈性有需求的產線系統中，不過在導入前的設定較為複雜，而且運作時必須運算攝影機所傳回的影像數據，動作難與現行機器手臂相比，在速度提升前，在現場應用仍受侷限。

觀察智慧製造的發展現況，視覺檢測目前是應用最快的一環，這與AI在其他領域的發展一致，影像識別佔了現在AI所有應用的70%以上。主因在於AI視覺檢測可立即在製造系統上看出成效，相較於現在常見的另一智慧製造趨勢–設備預診，其效益浮現則須一段時間，因此製造業者對前者的導入意願相對較高，至於機器視覺與機器手臂的整合，雖然運算速度與現場應用仍有提升空間，但現已有多數廠商投入，上述問題將可陸續解決，未來發展值得期待。