運用開源AI CV工具,提升製造品管效益

作者:陸向陽

多年來,製造業已運用機器視覺(Machine Vision, MV)技術對生產製造的良率把關進行自動光學檢驗(Automated Optical Inspection, AOI),美中不足的是MV技術需要黃金樣本(Golden Sample)且差異容忍度有限,所幸近年來興起的AI(在此也指機器學習ML、深度學習DL)技術補強了MV的不足,不需高標範本且在檢測條件上有較大的寬忍,正逐漸成為製造業品管的新寵技術。

根據市場分析,全球工廠自動化市場預估在2020年至2025年間會有8.6%的年複合成長率(CAGR),而機器視覺方面也有6.1%成長率。在技術上,機器視覺確實從規則基礎轉向影像基礎,影像基礎指的正是AI/ML/DL技術。同時,品管檢驗的運算也從伺服器端轉向邊緣端,以及有一些應用也開始從2D影像進階到3D影像;運算也從傳統個人電腦轉移到嵌入式電腦上。

機器視覺的市場趨勢(左)與技術趨勢(右)。(圖片來源:AXIOMTEK)

而受COVID-19疫情影響世界的運作也在改變,製造更重視在地化以減少運輸、缺料等風險;疫情也增強了電子商務銷售,製造端必須有所因應;疫情也影響製造支援服務,設備無法到場操作,只能遠端控制;疫情也影響差旅,只能透過遠端視訊溝通。

MV AOI vs AI CV

在製造業品管引入AI技術應用時,可能有許多製造業者會疑惑何時使用原有MV技術何時使用AI技術?由於傳統機器視覺難以定出精確的檢測規範,如瑕疵檢測、印刷電路板(PCB)打件等,或者過殺率(Over-Kill)過高的品管項目,是值得改加強投資AI技術,有助於提高生產品質。

深度學習可應用於表面瑕疵檢測(圖片來源:OmniXRI Studio)

同時,AI技術也適合用於人員動作與安全規範的相關應用,運用姿態估測與分析技術,可強化生產效率與生產安全;另外具有視覺能力的低速工業自走車,或者是機器手臂等,也建議可用AI技術來增強其環境應對能力,使其在經常變動的廠區環境配置中、經常變動的製造工序中,仍能持續正確運作。

MV AOI vs AI CV主要差異比較(圖片來源:OmniXRI Studio)

善用開源AI CV工具

對於製造業在品管把關上運用人工智慧電腦視覺(AI CV)技術,可善用OpenCV、Intel OpenVINO等開源工具,不僅功能齊備同時有許多預先訓練好的模型與範例程式可供運用。目前已有不少教學資源,有興趣的讀者可參考「延伸閱讀」。

善用開源工具為製造品管把關(圖片來源:OmniXRI Studio)

OpenCV與OpenVINO協作(圖片來源:OmniXRI Studio)

如果覺得OpenCV、OpenVINO等需要下載與安裝過於繁瑣,也可使用雲端版的開源工具Intel DevCloud,DevCloud同樣有許多現成範例應用,以製造業而言,即有焊接品質的分類,透過影像的識別能歸成三類:無、正常、不良。另也可以偵測廠區工作人員是否已正確配戴安全帽與背心,若無則會發出警訊。要提醒的是,若AI模型訓練不足或精準度不佳,也是可能出現漏偵測,例如明明工作人員未配戴安全帽進場卻未被偵測到。以下舉焊接品質的應用範例來進一步說明。

Intel DevCloud內建焊接良率檢測模型。(圖片來源:OmniXRI Studio)

此範例程式在不同的運算系統配置下有不同的表現,其中以使用Intel Xeon Gold 6258R伺服器等級處理器的系統表現最佳,不僅AI推論的處理時間最短,相同時間內也可以處理最多張的影像(Frame Per Second, FPS)。

其他的配置也包含使用初階伺服器處理器Xeon E3-1268L,或使用個人電腦處理器Core i5-6500TE搭配GPU、或同樣使用Core i5-6500TE但搭配Intel NCS2 VPU,或使用更初階的Atom x7-E3950搭配GPU等。

不同系統執行Intel DevCloud焊接良率檢視推論的效能比較。(圖片來源:OmniXRI Studio)

小結

AI技術在製造品管應用上想要落地,仍有不少挑戰,首先是資料集不易建置,特別是在不良品的數量極少,或不同類型的樣本數高度不均時;其次是AI的訓練結果不得低於傳統MV算法,否則失去使用價值。

此外,在模型佈署上,即便將訓練好的模型佈建到相同機種的不同機台上,其推論準確性也會有所差異;要定期加入新的不良品資料集、重新訓練AI模型,但新訓練成的模型,必須保證對新舊不良品都有一致的檢測能力,言下之意模型可能因新增的資料而對過往的資料產生研判(推論)的偏差。

若要權衡新技術(在此指導入AI技術)的投資成本與檢測性價比,AI相較於傳統MV技術較不要求樣本、燈光,但卻需要較多的資料量與運算力,其技術投資合算性需要事先審慎估算。

最後,目前製造品管的AI應用仍多倚賴人為介入的監督式學習,仍需要投入關注心力,而最終極目標是能採行非監督式學習,讓AI自行找出瑕疵處、瑕疵品,然這仍有待發展努力。

(本文為歐尼克斯實境互動工作室創辦人許哲豪 (Jack) 教學重點分享,完整內容請見延伸學習教學影片)

延伸學習

【EDGE AI教學#7】AI助攻!機器視覺應用再升級

延伸閱讀

Intel DevCloud範例群
OpenVINO與OpenCV搭配─幹電腦視覺的活一點都不累
【先試再上】Intel DevCloud助你雲端驗證AI佈署,免費!
快速掌握機器手臂視覺辨識技術
Weld Porosity Detection Reference Implementation
看電腦視覺如何助力智能裂縫偵測技術發展

(責任編輯:謝涵如)

陸向陽

Author: 陸向陽

從電子科系畢業後,即以媒體人的角色繼續這段與「電子科技」的不解之緣。歷任電子技術專書作者、電子媒體記者、分析師等角色,並持續寫作不殆。近來投入Arduino、Raspberry Pi等開放硬體的研究與教程介紹。

Share This Post On

發表

跳至工具列