運用深度學習，AI瑕疵檢測又快又準
前言
發展智慧工廠已經成為全球製造業的顯學，但對製造業 來說，不論工廠如何演進，品質和良率都是製造業無法 逃避且必須解決的痛點。對應產業的需要，機器視覺常 被使用於工業檢測、尺寸量測、自動化導引等用途，近 年隨著深度學習技術的發展，AI技術紛紛導入產業應 用，深度學習之於AI瑕疵檢測應用將成為下一波發展 重點與智慧製造商機所在。
3D視覺系統領導廠商所羅門致力於AI、3D視覺的應用 與創新，以獨特的開放式視覺平台解決方案，成功應用 於各大產業，為全球客戶提供服務，幫助業者跨入先進 製造，實現高投資回報率。針對AI瑕疵檢測，所羅門 創新推出的Solvision是一款整合AI辨識且能與世界知 名工業用機械手臂品牌和主要PLC大廠連結的智能檢測 解決方案。現行檢測工具，以AOI檢測應用最為廣泛， 但目前遇到的瓶頸，大概來自幾個方面，其一、設備靈 敏度過高，有些良品反而被判定是不良，造成整體良率 下降，需要人工複判，無形中增加檢測人力與成本；其 二、產業需要知道瑕疵類型，才能進行判斷，但許多產
品根本沒有CAD檔，或者取得CAD檔的難度甚高， 或者無法囊括所有瑕疵種類，以至於無法提供有效資 訊。
特徵檢測快速又有效
目前業界已有實際做法，所羅門Solvision運用先進的 深度學習技術，讓機器仿如人類一樣能自我學習，無 需編寫複雜的客製化軟體程式，即能辨識傳統光學檢 測（AOI）難以檢測的不規律瑕疵及特徵，有效解決 刮痕、污垢、裂縫、缺件、變型和歪曲的字體以及無 固定顏色、大小、形狀等難以依賴光學架構與影像處 理予以突顯及分離之瑕疵和特徵。
以食品產業的檢測為例，案例中客戶的要求是必須在 快速移動的輸速帶上面，即時檢測雞塊的良窳，雞塊 瑕疵特徵的型態眾多，例如：表面褐色油屑、黑色油 屑、油炸後的顏色過深以及雞塊兩兩相連等，這些瑕 疵特徵都不規則或者微小或者肉眼不易辨識。利用 Solvision的「特徵」檢測工具，在「監督式學習」模式之下，僅需輸入適量的物件影像及標註其瑕疵或特 徵，軟體就能自我學習，並能快速、準確的快速辨識 上述瑕疵，且標註瑕疵所在，大幅縮減案件導入時間。
黃金樣本檢測模式，大幅縮減案件導入時間
對許多業者來說，最困擾且亟待克服的是瑕疵樣本收 集不易的問題。眾所皆知，AI的訓練須投以大量樣本 資料，但在產線量產時，正常情況應是正常樣本量會 大於異常樣本，加上異常樣本類型繁多，導致訓練資 料蒐集不易。但這對Solvision來說，並不構成問題。
針對不同的物件狀況，也有不同的檢測模式。例如某 些檢測物件本身能準確定義無瑕疵影像（黃金樣本； Golden Sample），也就是說良品之間無差異，這時， 僅需提供黃金樣本，透過「非監督式學習」模式，建 立模型，免除“標註教導”過程。Solvision與黃金 樣本進行比較後，就能自動識別並定位異常。特別對 於那些瑕疵特徵多而複雜或沒有規律、難以預期的物 件，其樣品可用性低或產品生命週期短，使用黃金樣 本的檢測方法最為有用。
應用領域廣泛 總結來說，Solvision只要一套軟體就能提供「辨識」、 「定位」、「分級(分群/分類)」、「字元辨識」和「量
測」五大功能；亦可針對檢測錯誤的部分重新學習， 不斷修正判斷規則、累積學習經驗，以達到最佳化的 檢測能力，幫助客戶節省大量的時間和成本；且應用 領域廣泛，相較於國外知名競爭對手所能檢測的瑕疵 尺寸約是128×128 pixel，Solvision可檢測的瑕疵尺寸 最小可達25x25pixel，換句話說，可應用之檢測情境 更多且更廣。目前這套系統已獲全球知名速食連鎖廠 商認可、正導入食品瑕疵檢測，並被應用於食品&飲 料、物流包裝、汽機車、航太、鞋業、紡織、金屬加工、 半導體、電子業、印刷電路板等眾多產業。
※ Solvision智能檢測解決方案的特點： ●具有五大功能-辨識、定位、分級(分群/分類)、 字元辨識和量測；辨識各類問題僅需同一套軟體 。(參 考首圖)
●無需編寫電腦程式，僅需輸入物件影像及標註其瑕 疵或特徵，大幅縮減案件導入時間。
●良品之間無差異時，僅需提供良品即可辨識，大幅 縮短影像訓練所需時間 。
●可將影像辨識結果及座標主動轉予機械手臂及 PLC，有效整合辨識後所需的挑揀動作 。
●圖形化的操作介面，簡單易學好上手，作業員亦可 操作，降低SI人力成本。■