作者/圖片提供：MARK II
本案例為《2021 Intel DevCup x OpenVINO Toolkit》實作組季軍作品，特別邀請該團隊撰文分享其開發歷程、技術架構及成果，讓更多開發者可以借鏡學習。
MARK II團隊是由來自友達光電台中廠的工程師所組成，平時負責修理機台與良率改善，也因此我們是專案開發者同時也是使用者，少量多樣的生產模式大幅提高生產複雜性，在相同人力下，無法再用舊方法解決問題，因此我們尋求創新的解決方式。
本專案擬搭配AI模型與自動判讀來實現機台不停機自動巡檢系統，也就是站在使用者角度全方位的考量，從資料的收集(影像IoT)、AI技術的應用(演算法)與快速佈署(平台)，並根據專案目標選擇適用的感測器與適合的方法，建立友善的使用者介面，加速此系統的落地佈建。
開發動機
機台總會有一些狹隘的空間、角落，裡面有些機構存在著磨耗影響良率的問題，往往需要停機才能檢查，否則會造成大量報廢或機台無預警的當機，有些異常甚至需長時間等待備料或對後續PM(Preventive Maintenance)排程、人力安排的影響，這往往會嚴重影響整廠的產能推移。人員的巡檢有時會有潛藏的危險因子，機台短時間的停機無形中也造成成本上的浪費。
針對上述問題，團隊討論期望以眼見為憑為目標 ，開發機構AOI系統，包含定時巡檢與智能判斷的系統，使人員可在不停機的狀態下，精準的掌握停機時機，使產能最大化，同時也可達到生產品質的監控，並降低同仁曝曬於危險環境的機率。
機台的空間/角落裡有些機構存在著因磨耗影響良率的問題，往往需要停機才能檢查
系統架構與建置
「看見機台」專案以最小可行性產品為目標設計(MVP，Minimum Viable Product)，將系統建置於Intel 11th CPU Edge Device，並使用OpenVINO來提升系統運作效能，從資料到建模與監控，提供友善的使者介面，建置一個完整的Edge AI系統。硬體 & 軟體如下：
- 硬體 – AI開發套件：ADLINK AMP-501-TGL/M8G (規格CPU – I5-1145G7E / Memory – 8G / Storage – 128G)
- 軟體 – Intel OpenVINO™ Toolkit / Python
OpenVINO（Open Visual Inference and Neural Network Optimization) Toolkit是Intel開發的電腦視覺與深度學習的開發工具組，包含各式各樣的預訓練模型供使用者快速開發使用，同時就如同其名稱所述，其提供使用者最主要的功能就是 Model Optimizer 以及 Inference Engine。
Model Optimizer可將各種深度學習框架訓練出來的模型經轉成IR檔(xml 與 bin檔案)，Inference Engine就可讀取這些IR檔去進行快速推論，進而提升Edge AI的效能。使用OpenVINO非常簡單，不管你怎麼訓練自己的模型，只要透過Model Optimizer轉成IR後就可使用Inference Engine去達到快速推論的效果，且支援不同作業系統(Windows、Linux)。
於資料端我們以Python建置一個自動巡檢程式，透過此程式以一對多的方式取得各機構現況，以此方法來降低資料收集或機台改造的硬體建置成本。
演算法上，我們以深度學習的方法提取資料影像的特徵來建立異常檢測模型，因此在看見機台的系統上，不論是訓練或者是測試推論上皆能使運用OpenVINO強大的模型優化與加速能力來進行效能的提升，同時也能在模型準確度幾乎不變的情況下，有效的減少深度學習的模型檔案大小。
於使用者介面上，我們於Edge Device建立友善的異常檢測平台，提供使用者將巡檢程式所收集到的資料於此平台上透過簡單的滑鼠點擊即可完成模型的建立與自動監控的部署，透過監控異常指標與異常區域的大小趨勢，達到智能監控的效果。
應用與成果
看見機台從資料端到監控端&可視化監控，建立一條龍的智能機台巡檢系統：
- 根據工廠實際面臨的問題，設計全面性的解決方案，而不只是空想。從資料端，我們運用了影像IoT搭配GUI程式，建立一對多的監控裝置，降低大量平行展開（平展）、落地佈建的硬體支出，也建立了影像處理與基本的圖片比對功能的使用者介面，降低平展難度。
- 將OpenVINO的模型優化與加速能力運用於異常檢測方法中，讓OpenVINO不僅僅可用於模型推論，甚至可用於異常檢測模型建立過程中的特徵提取部份上的加速，完美融入了推論與訓練當中，讓OpenVINO不只是“VINO”同時也是“VTNO” (Visual Training and Neural Network Optimization)。
- 藉由OpenVINO的推理加速與模型優化降低模型的檔案大小，使得我們建立的系統更適合於Edge Device上運作。
- 影像IoT搭配上機治具開發並實際於工廠生產線機台驗證測試完成，並可於巡檢程式簡單的新增監控位置至自動巡檢清單。
- 建立異常檢測模型訓練平台，使用者可快速建立機構檢測模型並儲存，無須額外添購GPU。
- 建立異常自動監控平台，使用者可快速得知各機構現況與監控結果趨勢，同時可監控異常區域是否有擴大趨勢，精準掌握停機時機。
- AIoT的時代，不再是需要大量金額的投資才能智慧製造轉型，希望藉由看見機台的解決方案與創新，讓更多工廠敞開雙手擁抱智慧製造，提升人員安全指數外，同時也能達到產能、良率與人力的優化效益。
- 期望透過看見機台眼見為憑的不停機智能巡檢解決方案打開機台的元宇宙大門。
全面性的解決方案包含自動監控更新、監控檢測分數、監控異常區域
期望透過專案一起翻轉製造業，化不可能為可能
效益
在少子化與疫情的影響下，人力問題顯得格外重要，工安更是製造業最重要的一環，看見機台除了人力優化與人員安全，同時顧及產能與良率，且是一個易平行展開落地且應用範圍廣泛的系統。
人員安全及人力優化
工安是每個工廠最重要的一環，隨著人的安全意識提升，職災的發生率有逐年下降，但每年還是會於新聞上看到工安事件造成的家庭破碎或工廠停工，唯有降低人員處於危險環境的機率，才能大大降低工安事件的發生機率，保障員工的安全，導入AI輔助，降低風險!!
台灣生育率逐年下降，人口出現負成長，投入製造業的人力未來將大大降低，如何運用AI來達到人力優化維持運作是一項重要的課題，透過本系統，可讓員工專注於更專精的事務上，同時達到監控機台的目的，且硬體成本也不再讓人踏入AI時因硬體投資而卻步，有利於推廣AI智慧製造
產能
以面板廠濺鍍機台為例，一年產能可避免超過 20000片 / 500萬台幣的浪費，同時也能避免因機構磨耗問題造成的良率影響。
以人為本出發的設計，考量現場工程人員專案落地平行展開的問題，建立友善的使用平台，快速達到平展落地需求，同時將系統建置於Intel CPU Edge Device & 使用OpenVINO提升效能，搭配使用影像IoT，創建一對多的監控裝置，有效降低硬體投資金額，降低智慧轉型的門檻 & 提升導入接受度，從資料源、 資料擷取、 模型訓練與監控，將完整的解決方案建立於搭載Intel 11th CPU的Edge Device。
應用展望
我們的作品從創意發想到逐步完成，隨著比賽的進行而成長，利用工作空檔、下班時間與假日，努力於比賽期限內完成此專案，團隊成員於比賽期間雖非常忙碌但也非常充實，希望此作品除了能夠解決我們內部場域所面臨的問題，也期望能夠對於其他產業有所幫助。
除了適用在面板廠的高大機台外，其餘科技產業或傳統產業也都可以此系統，協助監控機台 & 應用於機台的狹隘空間或高處，降低風險，提升良率及人員效率(Ex:機台高處、動件下方、高處管線末端巡檢…等等)，讓我們一起翻轉製造業，化不可能為可能，且有了Intel 11th CPU Edge Device和OpenVINO的加入，看見機台就很Easy 。
Mar II團隊參加2021 Intel DevCup x OpenVINO Toolkit得獎合照
(責任編輯：MakerPRO編輯部)
- 【OpenVINO開發案例】機台不停機自動巡檢系統 - 2022/04/25
.jpg)
.jpg)