透過視覺檢測讓生產更加智慧化

台灣IBM雲端事業部雲端策略副總經理張瑞源。

因應工業4.0所帶起的智慧製造趨勢，許多IT業者也紛紛提出對應的解決方案。如IBM提出的「認知製造技術」，就是結合了工業4.0中的感應器、機器人與資料擷取，以及Watson的機器學習與進階資料分析的成果。由於Watson被用來處理和分析各種結構化和非結構化數據，在視覺識別方面有得天獨厚的優勢，也讓IBM視覺檢測(Visual Inspection)系統變得更加有效。

IBM使用數百萬張組裝線上的產品圖片來訓練認知視覺系統，可以偵測肉眼看不到的細微瑕疵，也能避免成本高昂的生產錯誤，應用範圍從晶圓缺陷、電路板、手機表面掃描、汽車塗裝甚至行進中火車的異常現象等無所不包。

台灣IBM雲端事業部雲端策略副總經理張瑞源指出，IBM視覺檢測落實在工業自動化上，可運用Watson的認知能力，來檢查及分析零組件和產品的製造品質，並將缺陷模型部署到生產線上，再透過高解析相機捕捉圖像，與資料庫比對，可快速識別缺陷，並產出質量指標。

張瑞源指出，現今的製造業普遍都會遇到人力缺乏，但品質改善要求卻愈來愈高的難題；自動化和IT的發展，也讓產品製造過程更加高效和一致。伴隨而來，業者必須面對如何縮短檢查時間、提高產量、改善製造流程等問題。

與傳統肉眼檢視相比，IBM視覺檢測能在毫秒內完成，更能識別微小的產品缺陷，如劃痕或是針孔大小的孔洞，讓檢測結果更精準。還能透過缺陷模型提供一致的檢測標準，減少人為錯誤，縮短停機時間。

事實上，IBM已在視覺檢測系統的測試中，見證到能夠有效減少製造瑕疵。以汽車烤漆為例，它是汽車製造業最昂貴的步驟之一，且佔了半成品庫存的40%。導入IBM視覺檢測之後，工廠就能進行視覺分析，協助製造業者減少80%檢測時間，並減少10%來自烤漆過程的瑕疵。

而在要求精密度極高的科技製造業應用方面，張瑞源指出，IBM已於一家位於廣州東莞的LCD面板廠完成驗證，判讀準確率可達95.26%，並可以減少50%？70%的人力，遺漏比例少於2%，完全符合業者需求。

至於要如何透過影像判讀，張瑞源建議業者可以先準備好一些用來做好壞對比的圖片，格式可以是.jpg、.png或.bmp，才能在部署系統時，創建缺陷分類並預期可能出現的缺陷類型。這些描述缺陷的訊息和圖片集，會提供給數據科學家，產出深度學習訓練認知模型，讓機器自主學習，再用人工幫忙設計腳本及提升判讀正確率。

數據科學家完成模型建置後，管理人員就將伺服器連接到超高畫質數位相機，至工廠的特定檢查點。培訓時間因產品而異，但製造商可以在一天之內啟動，並達到一定程度的可靠水平。系統被訓練好之後，在檢測某些缺陷模式時，一旦擁有足夠的訊息就會發出警告。

張瑞源表示，有些業者甚至會希望視覺檢測都能完全以AI為主，不用依賴人工幫忙設計腳本，但兩者其實互不影響。IBM提供的是SaaS的服務型態，可以在雲端服務建立視覺檢測的訓練模式，這套模式未來可以延伸AI服務，該系統相當容易擴展，只要透過以雲端應用為基礎的培訓和管理工作流程，就可以部署任意數量的製造檢驗站。

但由於AI平台需要的人才、技術，對目前許多業者而言，仍然較為困難，技術門檻不但比較高，還需要很多投資，更有時間上的壓力。張瑞源建議業者，不妨可以先建立視覺檢測模型，不需要一次到位，嘗試用別的方式來判讀提高良率，就能幫助各產業的製造商獲得認知洞察的能力，可有效解決問題，提升生產線品質，並提高生產量。