星期一, 5月 16

    运用深度学习,AI瑕疵检测又快又準

    0


    ■所罗门

    前言

    发展智慧工厂已经成为全球制造业的显学,但对制造业 来说,不论工厂如何演进,品质和良率都是制造业无法 逃避且必须解决的痛点。对应产业的需要,机器视觉常 被使用于工业检测、尺寸量测、自动化导引等用途,近 年随着深度学习技术的发展,AI技术纷纷导入产业应 用,深度学习之于AI瑕疵检测应用将成为下一波发展重点与智慧制造商机所在。

    3D视觉系统领导厂商所罗门致力於AI、3D视觉的应用 与创新,以独特的开放式视觉平台解决方案,成功应用 於各大产业,为全球客户提供服务,帮助业者跨入先进 制造,实现高投资回报率。针对AI瑕疵检测,所罗门创新推出的Solvision是一款集成AI辨识且能与世界知 名工业用机械手臂品牌和主要PLC大厂链接的智能检测 解决方案。现行检测工具,以AOI检测应用最为广泛, 但目前遇到的瓶颈,大概来自几个方面,其一、设备灵 敏度过高,有些良品反而被判定是不良,造成整体良率下降,需要人工复判,无形中增加检测人力与成本;其 二、产业需要知道瑕疵类型,才能进行判断,但许多产品根本没有CAD档,或者取得CAD档的难度甚高, 或者无法囊括所有瑕疵种类,以至於无法提供有效资讯。

    图 1:运用深度学习,进行鸡块瑕疵检测

    特征检测快速又有效

    目前业界已有实际做法,所罗门Solvision运用先进的 深度学习技术,让机器仿如人类一样能自我学习,无需编写复杂的客制化软体程式,即能辨识传统光学检 测(AOI)难以检测的不规律瑕疵及特征,有效解决刮痕、污垢、裂缝、缺件、变型和歪曲的字体以及无固定颜色、大小、形状等难以依赖光学架构与影像处理予以突显及分离之瑕疵和特征。

    以食品产业的检测为例,案例中客户的要求是必须在 快速移动的输速带上面,即时检测鸡块的良窳,鸡块瑕疵特征的型态众多,例如:表面褐色油屑、黑色油屑、油炸后的颜色过深以及鸡块两两相连等,这些瑕 疵特征都不规则或者微小或者肉眼不易辨识。利用 Solvision的「特征」检测工具,在「监督式学习」模式之下,仅需输入适量的物件影像及标注其瑕疵或特征,软体就能自我学习,并能快速、準确的快速辨识上述瑕疵,且标注瑕疵所在,大幅缩减案件导入时间。

    图 2:使用黄金样本,检测 PCB 板瑕

    黄金样本检测模式,大幅缩减案件导入时间

    对许多业者来说,最困扰且亟待克服的是瑕疵样本收集不易的问题。众所皆知,AI的训练须投以大量样本资料,但在产线量产时,正常情况应是正常样本量会大于异常样本,加上异常样本类型繁多,导致训练资料蒐集不易。但这对Solvision来说,并不构成问题。

    针对不同的物件状况,也有不同的检测模式。例如某 些检测物件本身能準确定义无瑕疵影像(黄金样本; Golden Sample),也就是说良品之间无差异,这时, 仅需提供黄金样本,透过「非监督式学习」模式,建 立模型,免除“标注教导”过程。Solvision与黄金 样本进行比较后,就能自动识別并定位异常。特別对 於那些瑕疵特征多而复杂或没有规律、难以预期的物 件,其样品可用性低或产品生命周期短,使用黄金样 本的检测方法最为有用。

    应用领域广泛总结来说,Solvision只要一套软体就能提供「辨识」、 「定位」、「分级(分群/分类)」、「字元辨识」和「量测」五大功能;亦可针对检测错误的部分重新学习, 不断修正判断规则、累积学习经验,以达到最佳化的 检测能力,帮助客户节省大量的时间和成本;且应用 领域广泛,相较於国外知名竞争对手所能检测的瑕疵 尺寸约是128×128 pixel,Solvision可检测的瑕疵尺寸 最小可达25x25pixel,换句话说,可应用之检测情境 更多且更广。目前这套系统已获全球知名速食连锁厂 商认可、正导入食品瑕疵检测,并被应用于食品&饮 料、物流包装、汽机车、航太、鞋业、纺织、金属加工、 半导体、电子业、印刷电路板等众多产业。

    图 3:扭曲字元辨识

    ※ Solvision智能检测解决方案的特点:

    ●具有五大功能-辨识、定位、分级(分群/分类)、 字元辨识和量测;辨识各类问题仅需同一套软体 。(参考首图)
    ●无需编写电脑程式,仅需输入物件影像及标注其瑕 疵或特征,大幅缩减案件导入时间。
    ●良品之间无差异时,仅需提供良品即可辨识,大幅 缩短影像训练所需时间 。
    ●可将影像辨识结果及座标主动转予机械手臂及 PLC,有效集成辨识后所需的挑拣动作 。
    ●图形化的操作介面,简单易学好上手,作业员亦可 操作,降低SI人力成本。■

    Leave A Reply