AI“抓鬼大年夜队”上线！赞助产线质检揪出光伏、PCB、芯片产品瑕疵

制造行业强调品质控管，把产品出货给客户前，必须确保其功能正常，一旦检测出错，会导致很大商业的丢失，除了靠人力考验之外，在生产过程中，利用非打仗式的自动光学检测（AOI，Automated Optical Inspection）或自动视觉检测（AVI，Automated Visual Inspection）设备已经行之熟年，旨在通过高精度摄像头、机器视觉技能等，抓出有瑕疵或毛病的产品，像是金属零部件制造厂通过 AOI 设备来检测金属扣件、螺丝是否光滑、有无细微裂痕等，自动化程度相对较高的电子业，像是 PCB、PCBA 电路板、Wafer 晶圆及面板行业采取的比例也非常高。

以电子业来说，市占率较高的设备检测商首推以色列公司奥宝（orbotech），在 PCB、面板领域有很高的市占率，不过，美国的半导体检测设备大厂科磊（KLA-Tencor）在去年 3 月收购了奥宝，扩大做事范畴。
其他有名的公司还有像是美国的 Rudolph Technologies、日本 Takano 等。

海内的检测设备商像是东旭光电、惠州高视科技、神州视觉科技、力德创（LeadAOI）等。
去年，东旭光电与京东方签订近 7000 万公民币的装备订单，包括宏不雅观及微不雅观毛病检测设备、玻璃边缘检讨机等高端装备，紧张运用于 OLED 面板产线的毛病检测。
而惠州高视科技的设备也运用于面板行业，进行屏幕的毛病检测，客户包括京东方、华星光电、欧菲光等。

随着近年深度学习的兴起，瑕疵检测也涌现新的技能演化，从传统的 AOI 转向与 AI 结合，不少初创公司开拓用以检测元件瑕疵的 AI 软件，或与 AOI、AVI 设备结合利用。
另一方面，检测设备商也通过 AI 技能优化 AOI 设备的准确度。

图|硅谷公司 Instrumental 专攻 AI 瑕疵检测市场（来源：Instrumental 网站）

其余，去年中，阿里云 ET 工业大脑提出 AI 视觉产品“见远“，个中就有 AI 质检员方案，当时阿里云指出，在电池片瑕疵检测领域，“见远”的识别准确度达 95%，节省人力率比为每 33 个人节省 1 人。
通过深度学习和图像识别算法，阿里云 ET 工业大脑集中学习了 40000 多张样片，将图像转换为机器能读懂的二进制措辞，能让质检机器实时、自动判断电池片的毛病。
并与光伏公司浙江正泰互助，通过“见远“实现单、多晶电池片电致发光（EL，electroluminescence）毛病的毫秒级自动剖断。

在创业公司部分，源自于清华大学 AI 研究院的产学研结合技能公司—瑞莱聪慧（RealAI）锁定工业三个领域：工业视觉检测、预测性掩护、工艺优化，个中已通过打算机视觉的手段，开拓光伏面板 EL 毛病自动检测算法。

中国已是工业制造大国，一贯以持续提升制造的品质及效率为目标，瑕疵检测迈向 AI 化，也可望对海内制造业带来新的契机。

图：阿里云 ET 工业大脑的“见远“，可做瑕疵检测（来源：阿里云）

传统 AOI 与 AI 瑕疵检测

评论辩论瑕疵检测 AI 之前，有必要先理解 AOI，其核心技能大致有四块：

光学光源：取像元件、感光模组、光学镜头、光源照明设备机构掌握：可程序逻辑掌握器、PC-Base 掌握主机单芯片掌握板影像处理：边缘侦测、图像匹配、特色侦测、摄像头校正等剖析软件：统计剖析、数据处理

广义的 AOI 设备是结合光学、讯号处理系统和剖析软件，可运用在生物医学、指纹比对、品质检测等方面；狭义的 AOI 多是指运用在工业上，利用高精度摄像头拍摄产线上的产品，查看是否有瑕疵。

不过，以往的 AOI 检测常见几个遭诟病的问题，首先是误报率（False Alarm）过高，行业人士对 DeepTech 表示，目前 PCB 瑕疵检测设备的误判率乃至高达 5 成，需再透过大量人力搭配后端验证修复站（VRS，Verify Repair Station），将 PCB 图像放大数百倍显示在屏幕上让操作职员确认。
而每每造成设备误报的缘故原由还不少，包括产品色差不同、环境光源、算法能力、摄像头等级等。

同时，各行业碰着的检测瓶颈也不同，像是 PCB 碰着的瓶颈紧张在“终检站”；晶圆生产则是在“黄光站”，想要办理这些问题，非常须要与行业专业知识（domain knowhow）深度合营。

其次，传统的 AOI、AVI 设备常日适用于检讨二维平面构造的产品，以是这也是为什么 PCB、面板行业导入的比例很高，后续有部分 AOI 业者开始推出三维检测，但系统检测的韶光拉长。
此外，AOI 设备价格相对昂贵等也是一个问题。

比拟传统模式，AI 瑕疵检测有三大上风：第一也是最主要的是准确率提升，当误判率低落后，就不用像过去一样雇用许多人力来进行二次确认。
第二则是检测速率变快，而且可分类毛病，举例来说，半导体检测设备多是侦测瑕疵，鲜少将其分类，但不同瑕疵种别产线会产生不同程度的严重性，尤其是 Defect Type 1 为綦重大瑕疵，一旦发生就要停机检讨，韶光可能长达 2～3 天，影响产能，目前半导体检测厂仍是高度倚赖人工分类瑕疵，通过 AI 有助于降落瑕疵分类的韶光。
第三则是后续可以进一步诊断瑕疵涌现的缘故原由，但此部分必须跟生产机台数据串接，属于较长期的发展方向。

图：PCB 行业利用 AI 实行瑕疵检测（来源：台湾工研院）

痛点明确，电子行业陆续导入

演习一个检测产品瑕疵的 AI，做法像是利用打算机视觉＋深度学习，从原始图像中提取感兴趣区域（ROI），这会经由多个处理程序包括图像的灰度、型态转化如堕落（eroding）、膨胀（dilating）等，末了勾勒出 ROI 区域，并利用深度学习算法如 CNN，在 ROI 区域侦测瑕疵。
数据则包括浩瀚有标记有缺点的独特图像、以及标记为正常产品的图像，来进行监督式学习。
也有人利用端到真个深度学习架构，以深度学习来预测 ROI，而非打算机视觉。
利用带有标注的数据集来演习可预测 ROI 的架构，不过标注的数据集必须明确且足够广泛。

适用于 AI 检测产品瑕疵的制造行业实在非常广，包括食品、金属部件、汽车金属轴件、电子业等，电子业已经有不少企业导入，像是台湾有名的 DRAM 大厂就导入了台湾工研院开拓的 AI 检测方案。

其余，印刷电路板业者欣兴电子不久前也表示，已经在生产线导入 AI 进行瑕疵检测，并且产品检测效率提升了 70%。
欣兴电子指出，过去生产线采取 AVI 设备检测瑕疵，但检测的结果常受到产品色差、高度等成分影响，还得加派 11～15% 的人力来复检。
目前他们结合了深度学习和 AVI 设备，原来所有产品都需人工复检，现在只剩个中 30% 需再次人工检讨，大幅提高了效率。

而海内的 RealAI 则是锁定光伏行业，他们开拓光伏面板 EL 毛病自动检测算法，通过打算机视觉的手段，针对太阳能光伏面板的多种毛病进行自动检测，替代人工视检过程。

RealAI CEO 田天在接管 DeepTech 采访时表示，这一问题的难点紧张在于多晶太阳能电池板的 EL 图像本身存在晶界等花纹，对毛病识别产生滋扰。
同时，不仅毛病的种类较多，同一种毛病的形态也变革多端，RealAI 通过利用自主研发的毛病检测模型，并引入干系领域知识，开拓出 EL 毛病自动检测算法，已经在多家光伏组件头部制造厂商试用。

图：RealAI 重点关注无监督、半监督学习、小样本机器学习等场景（来源：RealAI 网站）

2019 年将是 AI 快速落地工业制造领域的一年

先前 AI 落地安防、新零售、医疗等的谈论较多，但其实在工业上也可发挥很大的效用，目前哪些领域运用的比较多，或是企业接管度较高？田天指出，目前在“毛病检测”和“预测性掩护”两大方面客户接管度和需求较高，紧张是由于该领域为客户痛点，能直接为客户节省大量的用度。
预测性掩护也有利于避免重大事件，对付安全制造和安全生产至关主要。

对付 2019 年人工智能在工业制造领域的发展，他认为将是快速发展以及各种技能落地的一年，紧张来到了三方面机遇点的良好交会：首先是已积累大量算法及行业示范效应，过去 10 年间，AI 领域开拓了大量精良算法，为实际运用储备了大量的工具。
近年来，人工智能开始大规模运用于金融和互联网等领域，起到了较好的示范效应。

同时，经由此前工业数字化转型，目前工业领域中已经广泛利用传感器等设备，且积累了大量的数据，为人工智能运用供应了坚实的根本。

再来便是政策方面，国家快速推进工业互联网的发展，并鼓励企业进行智能化转型。
随着社会对人工智能的逐渐熟习与接管，工业领域的大量企业开始寻求利用人工智能深度结合领域知识，切实办理领域内的问题。

因此，在人工智能具有较高的社会接管度和丰富的技能储备；工业领域具有大量的数据积累，且遍及运用传感器；国家层面在政策上大力支持，他看好 2019 年都会是人工智能技能在工业制造领域中快速发展与落地的一年。

短缺数据的工业制造领域，迈向非监督学习 AI

除了行业需求外，在技能方面则有一个非常值得关注的发展趋势，也就是非监督式学习也逐渐走进工业领域。
这一波的 AI 浪潮始于视觉任务展现了很大的进展，通过标注数据来演习出识别、分类的 AI，就像前述的 AI 瑕疵检测，同样利用有标注瑕疵的图像数据来演习，不过，瑕疵数据量是否网络足够就成了寻衅。
其余，如果涌现未曾被标注演习过的瑕疵，系统是否能创造，也是一个问题。

这也便是 RealAI 发展无监督学习 AI 的缘故原由，田天说，“在工业运用领域，网络高质量演习数据的过程每每本钱高昂，且耗费韶光，如果采取无监督或者半监督的学习方法，就能有效降落演习数据需求，针对碎片化的工业视觉检测场景具有更广的运用前景”。
在没有演习数据时，可以考虑采取非常检测、或者变革检测等方法，让机器学会什么是正常的数据，进而在涌现非常数据或者变革时能够做出准确判断。

比如，RealAI 自研的无监督算法就成功利用于石油管线故障检测问题。
在这一问题中，旗子暗记数据噪音大，且没有标注，他们利用无监督算法，成功预测出存在毛病的管线位置，并且已交付利用。
此外，也利用无监督学习方法办理了香烟机和包装机预测性掩护问题。
“在许多短缺或没有演习数据的领域，无监督学习是唯一可用的选择，”他说。