■華碩電腦 / 曾立方 資深經理
前言
對製造業來說，以傳統自動光學檢測(AOI) 取代人工目檢瑕疵是常見的做法，然而3C 產品或半導體產品產出良率相當高的情形下，傳統自動光學檢測容易遇到瑕疵樣品不足與不易定性定量的辨識瓶頸，退而求其次維持人工方式檢測瑕疵，本文將分享利用AI 深度學習影像瑕疵檢測成為提升精準度並簡化導入自動化智慧化瑕疵檢測參數設定的新方法！
探討製造業導入傳統自動光學檢測時所遇上的挑戰中，以塑膠射出成型工件生產後直接成為外觀件最為直觀，在自動光學檢測無法達成業主所希望的瑕疵檢測精準度，以至於需要維持原有由人力執行複檢的情形下，塑膠射出成型業者大多維持以人工目視檢測為權宜之計，放棄自動光學檢測以免人力與設備重複投資，此舉不僅耗費大量人力，同時精準度依舊受到人類視力的自然限制，仍會有表面瑕疵品不時流出廠外，造成協力廠或下游組裝廠的困擾。
本文藉以華碩供應鏈導入華碩人工智慧電腦視覺瑕疵檢測解決方案為例，說明如何提高塑膠射出成型生產工件表面瑕疵檢測精度，並優化廠內人力資源。
AI 找出細微瑕疵，華碩讓智慧製造「看的見」
對塑膠射出成型業者特別是3C 外觀件生產，表面瑕疵檢測相對困難，外觀件常因設計需求，呈現極度光滑的表面，形成大量光線反射，而使瑕疵被掩蓋，或者是咬花、髮絲紋、同心圓、類皮革紋、類碳纖維等等紋路，使得不論是人力檢驗或傳統自動光學瑕疵檢測都遇上極大的挑戰。
傳統光學瑕疵檢測是利用產線上可蒐集到的大量各類瑕疵照片，在流水線上或是線下以照片逐一比對，如此不僅需要大量照片，還需要一點運氣能蒐集到在工件上各角落可能出現的瑕疵，然而檢出精準度僅約85 ～ 90%，業者需要高精度檢出或是單價較高試產數量受到限制的情形下就不可能導入，市場上也有強化後的自動光學檢測設備，藉由一些數學運算法則來攔截瑕疵，精準度能推升到95 ～ 98%，但在上述具有特殊花紋的工件表面或特殊樣態的瑕疵，辨識上依舊有困難，而人工目視檢測瑕疵精準度僅達約93%，人力、物力、品質檢出的穩定性都將是挑戰，並伴隨有職災的潛在風險。
圖1：AI 電腦視覺瑕疵檢測流水線設置圖
圖2：AI 電腦視覺瑕疵檢測均勻表面花紋辨識
傳統光學檢測或強化型的光學檢測，動輒數千張照片甚至有需要到數萬張照片才能執行完整檢測，華碩智慧解決方案事業部不僅有AI 的專家還有數位影像技術團隊，對數位光學影像有強大的後處理能力以及獨有的影像擴增能力，透過場域中實戰經驗累積驗證，掌握光學特性及工件表面質地，藉此取得正確的瑕疵資料還能以極少量的瑕疵樣本即可完成AI 模型訓練。
同時，AI 所學習的是瑕疵的行為，而非瑕疵比對，因此當AI 學習完成建立模型後，對同類型的瑕疵如刮傷、壓傷、Jetting、流痕、結合線等等，不論瑕疵出現的位置或大小，透過AI 模型推理的過程都能有效的將瑕疵辨識出來，必要時還能進行分類。AI 還有一個好處，不需要在完全相同的工件前提下運作，只要是外型、材質、表面質感類似，可以共用同一個AI 模型做瑕疵檢測！
目前華碩已經能讓AI 學習後瑕疵檢測精準度做到98%，並能完成特定瑕疵如髮絲紋表面的刮傷檢測，可以完全替代人力目檢及傳統光學檢測。
過去三條產線要三個人管品管，現在只要一人
近一到二年來，許多製造業陸續返臺投資，塑膠射出生產廠亦投入新廠設立，華碩為其規劃設置三線合一的瑕疵檢測站，透過輕巧邊緣計算電腦擷取影像，統一做AI 模型訓練，合併利用同一部AI 運算工作站做瑕疵檢測推理，再即時傳回到各產線的品管站做監控，同時也有一部AI 運算工作站對應一部射出成型生產線的方式，過去三條產線要三人管品管，現在只要一人，甚至可以監管更多條線，品檢人力的釋出後重新調配，射出成型廠便能實現智慧製造，也打破返臺投資生產成本上升的魔咒！
結語
除了塑膠成型件之外，金屬機構件、印刷電路板等電腦周邊元件生產業及系統組裝業都能運用AI 深度學習影像瑕疵檢測做高精度品管，目前也有半導體業正在優化導入華碩AI 深度學習影像瑕疵檢測，以補足自動光學檢測在晶圓層所抓不到的瑕疵，盼藉由AI 的助力突破瑕疵檢測精準度的瓶頸，降低人工目測或自動光學檢測已知的誤判所造成的損失，更能利用人工智慧大數據針對品質瑕疵種類做統計分類以歸納出瑕疵形成原因，從源頭積極減少製程瑕疵。■
