运用开源AI CV工具，提升制造品管效益

多年来，制造业已运用机器视觉（Machine Vision, MV）技术对生产制造的良率把关进行自动光学检验（Automated Optical Inspection, AOI），美中不足的是MV技术需要黄金样本（GoldenSample）且差异容忍度有限，所幸近年来兴起的AI（在此也指机器学习ML、深度学习DL）技术补强了MV的不足，不需高标模板且在检测条件上有较大的宽忍，正逐渐成为制造业品管的新宠技术。

根据市场分析，全球工厂自动化市场预估在2020年至2025年间会有8.6%的年复合成长率（CAGR），而机器视觉方面也有6.1%成长率。在技术上，机器视觉确实从规则基础转向影像基础，影像基础指的正是AI/ML/DL技术。同时，品管检验的运算也从服务器端转向边缘端，以及有一些应用也开始从2D影像进阶到3D影像；运算也从传统个人计算机转移到嵌入式计算机上。

机器视觉的市场趋势（左）与技术趋势（右）。

而受COVID-19疫情影响世界的运作也在改变，制造更重视在地化以减少运输、缺料等风险；疫情也增强了电子商务销售，制造端必须有所因应；疫情也影响制造支持服务，设备无法到场操作，只能远程控制；疫情也影响差旅，只能透过远程视讯沟通。

MV AOI vs AI CV

在制造业品管引入AI技术应用时，可能有许多制造业者会疑惑何时使用原有MV技术何时使用AI技术？由于传统机器视觉难以定出精确的检测规范，如瑕疵检测、印刷电路板（PCB）打件等，或者过杀率（Over-Kill）过高的品管项目，是值得改加强投资AI技术，有助于提高生产质量。

深度学习可应用于表面瑕疵检测

同时，AI技术也适合用于人员动作与安全规范的相关应用，运用姿态估测与分析技术，可强化生产效率与生产安全；另外具有视觉能力的低速工业自走车，或者是机器手臂等，也建议可用AI技术来增强其环境应对能力，使其在经常变动的厂区环境配置中、经常变动的制造工序中，仍能持续正确运作。

MV AOI vs AI CV主要差异比较

善用开源AI CV工具

对于制造业在品管把关上运用人工智能计算机视觉（AI CV）技术，可善用OpenCV、Intel OpenVINO等开源工具，不仅功能齐备同时有许多预先训练好的模型与范例程序可供运用。

善用开源工具为制造品管把关

OpenCV与OpenVINO协作

如果觉得OpenCV、OpenVINO等需要下载与安装过于繁琐，也可使用云端版的开源工具Intel DevCloud，DevCloud同样有许多现成范例应用，以制造业而言，即有焊接质量的分类，透过影像的识别能归成三类：无、正常、不良。另也可以侦测厂区工作人员是否已正确配戴安全帽与背心，若无则会发出警讯。要提醒的是，若AI模型训练不足或精准度不佳，也是可能出现漏侦测，例如明明工作人员未配戴安全帽进场却未被侦测到。以下举焊接质量的应用范例来进一步说明。

Intel DevCloud内建焊接良率检测模型。

此范例程序在不同的运算系统配置下有不同的表现，其中以使用Intel Xeon Gold 6258R服务器等级处理器的系统表现最佳，不仅AI推论的处理时间最短，相同时间内也可以处理最多张的影像（Frame Per Second, FPS）。

其他的配置也包含使用初阶服务器处理器Xeon E3-1268L，或使用个人计算机处理器Core i5-6500TE搭配GPU、或同样使用Core i5-6500TE但搭配Intel NCS2 VPU，或使用更初阶的Atom x7-E3950搭配GPU等。

不同系统执行Intel DevCloud焊接良率检视推论的效能比较。

小结

AI技术在制造品管应用上想要落地，仍有不少挑战，首先是数据集不易建置，特别是在不良品的数量极少，或不同类型的样本数高度不均时；其次是AI的训练结果不得低于传统MV算法，否则失去使用价值。

此外，在模型布署上，即便将训练好的模型布建到相同机种的不同机台上，其推论准确性也会有所差异；要定期加入新的不良品数据集、重新训练AI模型，但新训练成的模型，必须保证对新旧不良品都有一致的检测能力，言下之意模型可能因新增的数据而对过往的数据产生分析（推论）的偏差。

若要权衡新技术（在此指导入AI技术）的投资成本与检测性价比，AI相较于传统MV技术较不要求样本、灯光，但却需要较多的数据量与运算力，其技术投资合算性需要事先审慎估算。

最后，目前制造品管的AI应用仍多倚赖人为介入的监督式学习，仍需要投入关注心力，而最终极目标是能实行非监督式学习，让AI自行找出瑕疵处、瑕疵品，然这仍有待发展努力。

审核编辑 ：李倩