■工研院 / 湯燦泰 副理、裕浤科技 / 賴瑋凱 特助
前言
全球製造業驅動轉型升級為智慧工廠，自動化品質檢測成為製造業無法逃避且必須解決痛點之一；而自動光學檢測(Automated Optical Inspection, AOI)，是高速度、高精確度的光學影像檢測系統，運用｢機械視覺」做為品質檢測技術，其中包含機構與驅動、電控系統、視覺軟體、光學感測等技術模組，如圖1所示，代替手腳、大腦、人類眼睛的功能，從視覺感測設備中，檢測出產品的缺陷、類別、量測尺寸等，廣泛應用在自動化生產品質檢測中，作為改良傳統人力目檢之檢測個人標準、精細度、效率等問題。
塑膠射出產線導入AOI優化7成人力及提升12%產能
近十年隨著人工智慧(AI)中深度學習技術快速演進，智慧製造紛紛應用深度學習於瑕疵影像檢測產業，塑膠射出產線勢必將以深度學習品質檢測技術為發展重點。
以裕浤科技玩具類Qbi塑膠射出產線流程為例，主要分成塑膠射出機、超音波組裝、包裝出貨三個工段，每一段皆需目檢人力協助抽檢產品品質，往往因製程不穩定、人力定期巡檢產線等狀態，導致出貨良率急劇下降，為了改善此問題而導入AOI外觀瑕疵檢測機構（含機器手臂、取像模組及影像分析模組），將產線流程進行自動化品質檢測，即可避免不良品流入超音波組裝工段，如圖2所示，故整體產線人力安排可進行優化，從原先配置4人分別於射出件目檢、超音波組裝件目檢、包裝出貨及巡檢，改成1人於超音波組裝目檢，因此整體產線可優化7成人力可彈性運用，其次因AOI可減少生產週期5秒，單一塑膠射出機可提升12%產能（400顆 / 週）。
深度學習外觀瑕疵檢測整體解決方案
基於深度學習外觀瑕疵影像檢測技術，採用主動學習挑選代表性訓練資料，以及AI自動化機器學習(AutoML)挑選模型超參數組合，建構客制化、標準化的塑膠射出成型領域AI模型訓練整體解決方案，fast-AOI加速垂直領域之產業AI化。
主動學習挑選訓練資料去蕪存菁，減少4.2倍建構AI模型時程
為了解決深度學習仰賴大量且高品質的標註資料，以主動學習技術自動挑選具有代表性的待標記資料，大幅減少整體訓練資料標記的數量，並維持其深度學習模型準確度。
以Qbi射出產品為例，首先將訓練資料原始46K張+快速推論模型做為模型性能比較基準（辨識錯誤率4.37%），採用兩種深度學習網路架構（快速 / 超精準推論模型）與兩種訓練資料（隨機挑選 / 主動學習9K張）之條件下，經由AI工程師反覆調參後獲得最佳AI辨識模型，其中辨識錯誤率分別為5.60%、4.87%、5.16%、4.37%，以主動學習9K+超精準推論模型之實驗組合，可達到原始46K張+快速推論模型的相似實驗結果。
其次為了整體評估深度學習建構模型時間，先以訓練資料46K與9K標記時間分別15.3天、3天，亦即代表主動學習減少5倍標記時間，模型訓練時間分別0.7天（4張NVidia Titan-Xp GPU-48RAM）、0.8天（1張NVidia RTX-8000 GPU-48RAM），綜合上述整體建構AI模型減少4.2倍時程，加速AI模型擴散垂直領域產業。
AutoML模型調參精雕細琢，單一塑膠射出機新增產品產能1.9%
無需鑽研複雜演算法，透過創新AutoML技術可自動挑選模型超參數改善其模型性能，化繁為簡成為易用的資料分析工具，並建立標準化的智慧AI模型訓練體系，進而有效地擴大工廠AI導入模式，符合企業客制化需求及自行開發AI應用。
以Qbi射出產品為例，應用超精準網路架構及主動學習技術挑選9K張訓練資料，比較三種調整模型超參數手法（通用領域常用參數、AI工程師手動調參、AutoML自動調參），分別可獲得瑕疵推論模型之辨識錯誤率4.79%、4.37%、4.11%（圖3深紅曲線超參數組合），相對通用領域常用參數改善率分別8.77%及14.20%，代表產品產能（7200顆 / 週）分別可增加1.2%及1.9%，降低浪費塑膠原料、人力工時、射出設備的成本。
結論
為了驅動塑膠射出產線轉型升級成智慧工廠，建構客制化、標準化的AOI深度學習外觀瑕疵檢測整體解決方案，讓塑膠射出領域工程師可簡單易用AutoML技術，促使產線於瑕疵檢測省時省力快精準，進而整體Qbi產線可優化7成人力及提升13.9%產能，fast-AOI加速垂直領域之產業AI化。
