最新消息
媒體報導
硬體升級/參數調整自動建模 Al光學檢測促應用落地
發佈日期：2020-11-02
硬體升級/參數調整自動建模
Al光學檢測促應用落地
Al光學檢測促應用落地
工廠導入AOI設備已非鮮見，
若能善用自動深度學習技術的優勢，
將可望助台灣產業以低技術門檻投入資源，
再創產能增幅。
若能善用自動深度學習技術的優勢，
將可望助台灣產業以低技術門檻投入資源，
再創產能增幅。
近年來，在工廠端導入自動光學檢測(Automated Optical Inspection,AOI)設備已是顯學，利用機械設備來輔助檢測，不僅可以降低人力成本、維持檢測品質，更可以有效提升產能，對任何想要進行產業升級的單位，都是個不可或缺的利器。
一般而言，多數檢測皆可藉由精確定義的演算法來完成，如：計算長寬比是否超過2、面積是否超過100畫素等，都很具象地將結果清楚劃分。然而，隨著檢測條件越來越多元，「非黑即白」且「數值化」的標準遇到了不少難題，例如金屬表面刮痕各有不同，該如何定義所謂「瑕疵」？榕樹和椰子樹對人類而言很好分辨，但如何讓電腦判斷兩者的差別？此時，就需要有個更靈活的機制，以更貼近人類的思考方式，來輔助機器做出判斷。
一般而言，多數檢測皆可藉由精確定義的演算法來完成，如：計算長寬比是否超過2、面積是否超過100畫素等，都很具象地將結果清楚劃分。然而，隨著檢測條件越來越多元，「非黑即白」且「數值化」的標準遇到了不少難題，例如金屬表面刮痕各有不同，該如何定義所謂「瑕疵」？榕樹和椰子樹對人類而言很好分辨，但如何讓電腦判斷兩者的差別？此時，就需要有個更靈活的機制，以更貼近人類的思考方式，來輔助機器做出判斷。
》技術人才養成困難 形構AI-AOI現況與挑戰
人工智慧(Artificial Intelligence, AI)的應用就在這個契機下應運而生—相較於AOI的判斷依靠各項量測數據，AI的「經驗性」會考量整體影像的配置與關聯性，在辨識物件特徵上有著絕對優勢。以前述的例子來 說，用「尺寸」來判斷金屬表面的瑕疵，就不是一個很好的判斷依據—但若能擁有像人 類一樣思考的AI網路，就像是有個經驗老道的師傅隨侍在旁，提供不間斷、高品質的經驗判斷；因此，若能將AI的技術實踐在AOI的基礎上 (A I - AOI) ，便能讓許多窒礙難行的檢測，瞬間迎刃而解。AI - A OI技術剛起 步之時，導入成本相對高昂，多數人持觀望態度，但隨著時間遞移，相關成本已顯著降低。根據工研院整理的數據顯示，AI應用於電腦視覺的領域年成長率超過50%，足見相 關應用前景可期。為了滿足日益興盛的檢測需求，機器視覺領域仍不斷開發更快、更準確的演算法，並設計相應的使用者介面，使其成為套裝軟體，提供不想從程式碼開始燒磚造瓦的工程師更多的選擇。
若有了標準化的套裝軟體，開發過程就會一帆風順嗎？以影像式AI的檢測流程來說，主要會經歷以下步驟：匯入影像、瑕疵標示與分類、調整參數、訓練模型、評估結果。其中，在瑕疵標示的部分，就算不藉助自動標示軟體或相關團隊的協助，因技術門檻相對低，儘管耗時費力，但在產出成果上品質尚可維持穩定。然而，最關鍵的差別在於參數：資料增強 (Data Augmentation) 和訓練 參數 (Training Parameter) 的調整。依此兩項設定，電腦會自動生成類神經網路模型—這個自動化的過程是AI最大的優勢，讓系統可以完成AOI所無法完成的複雜決策網路，但也因此讓人們無法即時地做出細微調整， 對結果的可預測程度有限。為了比對各模型間細微的差異，工程端不時需要反覆訓練、 交叉比對，甚至回頭檢視影像，輕則消耗許多工程時間，重則不得其門而入，整體開發進度也就容易被因此拖垮。
換句話說，參數的設定和結果的好壞，並沒有一個直接對應的脈絡，相似的影像也可能因為細微的差異，而有著截然不同的適用參數，這也是AI應用難以普及的關鍵之一。
若有了標準化的套裝軟體，開發過程就會一帆風順嗎？以影像式AI的檢測流程來說，主要會經歷以下步驟：匯入影像、瑕疵標示與分類、調整參數、訓練模型、評估結果。其中，在瑕疵標示的部分，就算不藉助自動標示軟體或相關團隊的協助，因技術門檻相對低，儘管耗時費力，但在產出成果上品質尚可維持穩定。然而，最關鍵的差別在於參數：資料增強 (Data Augmentation) 和訓練 參數 (Training Parameter) 的調整。依此兩項設定，電腦會自動生成類神經網路模型—這個自動化的過程是AI最大的優勢，讓系統可以完成AOI所無法完成的複雜決策網路，但也因此讓人們無法即時地做出細微調整， 對結果的可預測程度有限。為了比對各模型間細微的差異，工程端不時需要反覆訓練、 交叉比對，甚至回頭檢視影像，輕則消耗許多工程時間，重則不得其門而入，整體開發進度也就容易被因此拖垮。
換句話說，參數的設定和結果的好壞，並沒有一個直接對應的脈絡，相似的影像也可能因為細微的差異，而有著截然不同的適用參數，這也是AI應用難以普及的關鍵之一。
》「自動深度學習」技術 / 優勢剖析
承前文所述AI相關應用需求急遽成長，但經驗的累積與人才的養成並非一蹴可幾，人才培育的速度畢竟趕不上產業成長的幅度， 在缺乏有經驗工程師的現況下，就需要尋找更多的可能性。
約在2018年初，Google等大廠牌相繼提出了自動化機器學習 (Auto ML) 的概念， 應用此概念的AI套裝軟體應運而生。自動深度學習 (Auto Deep Learning, Auto DL) 的技術讓調校參數的步驟自動化，全數交由電腦自動交叉比對，完成AI模型的優化。這個技術的革新至為關鍵，讓有著製造專業的企業主不再需要為了工程人才的缺乏而苦惱，僅需簡易的軟硬體更新，即可大幅提升產線檢測的效能，有效提升良率，進而提升企業形象。
約在2018年初，Google等大廠牌相繼提出了自動化機器學習 (Auto ML) 的概念， 應用此概念的AI套裝軟體應運而生。自動深度學習 (Auto Deep Learning, Auto DL) 的技術讓調校參數的步驟自動化，全數交由電腦自動交叉比對，完成AI模型的優化。這個技術的革新至為關鍵，讓有著製造專業的企業主不再需要為了工程人才的缺乏而苦惱，僅需簡易的軟硬體更新，即可大幅提升產線檢測的效能，有效提升良率，進而提升企業形象。
▌運用自動深度學習技術，自動優化訓練參數，大幅降低AI導入門檻
綜觀產線檢測上的需求，許多軟體會依實務上的應用，設計各類訓練模式，並針對該類應用設計相應的演算法。以碁仕科技代理的Neurocle為例，有著五種訓練模式可供選擇，使用者在分析完自身檢測需求類型後，即便是AI新手也可應用Auto DL技術，生成高品質的AI模型。
影像分類 (Classification)
能夠擷取整張圖檔的關鍵特徵，辨識整張畫面的主題，再根據事先設定的主題類別，將相近的圖檔歸納成同一類別，常用於產品分類。可能應用包含料件分類。
▌影像分類：藥材分類
瑕疵檢測 (Segmentation)
在此模式下，模型能精準辨識出瑕疵的類型、位置、尺寸，非常適合產品外觀的瑕疵檢測，辨識影像中的各類物件瑕疵。可能應用包含表面刮痕、產品缺件。
▌瑕疵檢測：金屬表面平整度
物件偵測 (Detection)
在影像中搜尋相關物件，並辨識各類物件的尺寸與位置，常用於人臉辨識、車輛 追蹤、安全監控，或辨識各類移動中的物件。可能應用包含車流量偵測、特定空間人潮管制。
▌物件偵測：人數計算 / 車流監控
文字辨識 (AI-based OCR)
OCR文字辨識在食品包裝和物流業中的應用極為廣泛。借助軟體的文字辨識模 式，可從影像中準確擷取並識別英文字母及數字。可能應用包含車牌辨識、提單歸檔。
▌文字辨識：車牌 / 條碼辨識
異常檢測 (Anomaly Detection)
僅需訓練正確(OK)影像，系統會根據大數據法則，從檢測圖檔中辨識出有明顯差異的影像，並標示為異常(NG)。可能應用包含核磁共振照影 (MRI) 等醫學影像。
▌異常檢測：水果缺陷辨識
不論是前四者的監督式學習 (Supervised)，或是應用非監督式學習 (Unsupervised) 的異常檢測，在標示並分類完成影像後，皆可交由電腦執行最困難的參數比對部分，在人們的實務經驗中，常常跟需求端形容這是一個「只要會小畫家就能當個AI工程師」的技術，一點也不為過。
》自動深度學習適用場域與實例
在與需求端對話的經驗中，筆者觀察到幾個應用情境，是自動深度學習可以明顯著力的領域，而這些領域儘管對AI技術並不陌生，但仍有著自動深度學習的高度需求。以下列舉出數項案例分析，供各位讀者參考。
• 案例一：料件多元，RD支援緩不濟急
在實務中，產線端和研發端間隔遙遠的情況不在少數，也造成第一線的需求若要回饋到研發端，整體時程稍嫌緩不濟急。尤其， 若該產線來料多元，且不時會有新料件檢測的需求，若需時常等待研發端更新檢測模 型，顯然不是一個有效率的做法。因此，若能在產線端進行訓練，也不用花費溝通成本 核對需求，自動深度學習軟體就可以扮演一個很關鍵的溝通橋樑。
• 案例二：希望初步評估AI檢測，但對資金投入仍有疑慮
從溝通需求到真正導入產線上，這之間的過程看似簡單，但往往有著不少細節需確認，也象徵了各方資源的投入。若每次的評估皆需投入大量資源，各方的意願就會相對降低，這對想要進行可行性評估的潛在群眾，無形中設立了一道阻礙。自動深度學習的技術可以讓軟體提供方運用閒置時的資源協助評估，讓評估成本降至最低，並讓潛在使用者也可以體驗AI的強大之處，可謂一舉數得。
• 案例三：資安問題或行政流程繁複，導致專案停滯不前
對多數公司/團體而言，開發過程若要尋求外部資源，資安的問題往往容易糾纏不清，舉凡NDA的簽署或後續程式的移轉，複雜的行政考量很容易讓人望而卻步。自動深度學習的加入，讓最關鍵的A I模型訓練過程完全可以在自家開發，多方合作的疑慮大幅降低。
• 案例一：料件多元，RD支援緩不濟急
在實務中，產線端和研發端間隔遙遠的情況不在少數，也造成第一線的需求若要回饋到研發端，整體時程稍嫌緩不濟急。尤其， 若該產線來料多元，且不時會有新料件檢測的需求，若需時常等待研發端更新檢測模 型，顯然不是一個有效率的做法。因此，若能在產線端進行訓練，也不用花費溝通成本 核對需求，自動深度學習軟體就可以扮演一個很關鍵的溝通橋樑。
• 案例二：希望初步評估AI檢測，但對資金投入仍有疑慮
從溝通需求到真正導入產線上，這之間的過程看似簡單，但往往有著不少細節需確認，也象徵了各方資源的投入。若每次的評估皆需投入大量資源，各方的意願就會相對降低，這對想要進行可行性評估的潛在群眾，無形中設立了一道阻礙。自動深度學習的技術可以讓軟體提供方運用閒置時的資源協助評估，讓評估成本降至最低，並讓潛在使用者也可以體驗AI的強大之處，可謂一舉數得。
• 案例三：資安問題或行政流程繁複，導致專案停滯不前
對多數公司/團體而言，開發過程若要尋求外部資源，資安的問題往往容易糾纏不清，舉凡NDA的簽署或後續程式的移轉，複雜的行政考量很容易讓人望而卻步。自動深度學習的加入，讓最關鍵的A I模型訓練過程完全可以在自家開發，多方合作的疑慮大幅降低。
》台灣實現AI機器視覺落地關鍵
台灣的產業型態以中小企業為主，需要的應用可謂多且廣。據中小企業處估計，登記在
案的光是製造業就有約15萬家 (此為2019年的數據)很難找到一概而論的作法來滿足所有檢測需求。因此，如何有效率地滿足各類需求，會是AI - AOI在台灣落地很重要的關鍵。自動深度學習的加入扮演了一個關鍵的敲門磚，讓各廠商可以用低技術門檻、低資源投入的方式進行評估，進而導入產線的建置，達到產業升級的目的。有了最關鍵的技術突破，再輔以下列數點的配合，相信台灣這塊科技島的招牌，只會越顯發亮。
案的光是製造業就有約15萬家 (此為2019年的數據)很難找到一概而論的作法來滿足所有檢測需求。因此，如何有效率地滿足各類需求，會是AI - AOI在台灣落地很重要的關鍵。自動深度學習的加入扮演了一個關鍵的敲門磚，讓各廠商可以用低技術門檻、低資源投入的方式進行評估，進而導入產線的建置，達到產業升級的目的。有了最關鍵的技術突破，再輔以下列數點的配合，相信台灣這塊科技島的招牌，只會越顯發亮。
建置穩定取像環境
台灣充滿著許多舊式工廠，若僅是提升檢測的軟體，但硬體部分沒有相對應的升級，造成取像不穩定，誤判率也很容易居高不下。在筆者的經驗中，不少需求端的影像品質參差不齊，儘管可以試著用AI模型的「彈性」來彌補，但不僅是影像需求張數偏多，誤判率也比平均而言還高。就以筆者17年的實務經驗而言，若能協助需求方一併建立穩定的取像環境，系統判斷的準確度也會大幅提升。
永續經營嘗試導入新技術/觀念
過去使用傳統A O I 自動光學檢測的廠商，當檢測率已達極限，但還是會有誤判時，可以嘗試導入AI-AOI—此作法並不是完全取代既有的AOI，而是增加AI - AOI 加以輔助，而這樣的增加，並不會增加太多硬體設備的成本，又可以提升準確率。此外，A I-A O I的發展，不僅著重在視覺檢測系統，與機器手臂整合更是工廠自動化的趨勢，機器人隨機取放 (Randomin Picking) 應用紛紛導入AI - AOI的技術，協助機器手臂判別影像並夾取，在長遠的效益來看，導入相關設備無疑是一個明智的決定。藉由各種形式的經驗分享，讓躊躇中的需求方看到優點，軟硬體提供方要做的不只是設法降低成本，更應該為客戶完整分析，幫助消弭資訊落差，一起為台灣產業的升級打一場漂亮的團體戰。
隨著不斷提升的電腦運算能力，人工智慧的應用愈發蓬勃，諸如邊緣運算 (Edge Computing) 、物聯網(Internet of Thing, IoT) 等技術不斷推陳出新，提供產業現場更多的可能性。在工業4.0 的浪潮下，各類應用只會更加五花八門，如何利用手上的資源找出最佳組合，甚至客制設計一套專用的系統，會是短期內不變的真理。如硬體大廠NVIDIA甫推出新款GPU，相較上一代GTX 2080 Ti的運算能力又提升了一個層次，作為運算能力強大的後盾；科技部也於近年投入上億的研發經費，致力於軟硬體的整體提升，為台灣的AI發展環境提供整體性的支持。根據人力資源網站的統計顯示，AI人才的需求不僅是指數性成長，應用領域也更加專精，甚至開展出更多功能，來滿足多元化的應用。
舉例來說， 為了滿足跨平台的協作需求，Neurocle運用「主從式架構 (Serverclient)」，透過區域網路的串連，結構性的管理資料，打破舊有的單機運作思維，創造AI協作生態系，正是運用資訊技術的實際案例。人們不應抗拒改變，而是思考如何藉助科技和群體的力量，自我升級、更上一層樓，一起乘著AI的浪潮順向而行。
隨著不斷提升的電腦運算能力，人工智慧的應用愈發蓬勃，諸如邊緣運算 (Edge Computing) 、物聯網(Internet of Thing, IoT) 等技術不斷推陳出新，提供產業現場更多的可能性。在工業4.0 的浪潮下，各類應用只會更加五花八門，如何利用手上的資源找出最佳組合，甚至客制設計一套專用的系統，會是短期內不變的真理。如硬體大廠NVIDIA甫推出新款GPU，相較上一代GTX 2080 Ti的運算能力又提升了一個層次，作為運算能力強大的後盾；科技部也於近年投入上億的研發經費，致力於軟硬體的整體提升，為台灣的AI發展環境提供整體性的支持。根據人力資源網站的統計顯示，AI人才的需求不僅是指數性成長，應用領域也更加專精，甚至開展出更多功能，來滿足多元化的應用。
舉例來說， 為了滿足跨平台的協作需求，Neurocle運用「主從式架構 (Serverclient)」，透過區域網路的串連，結構性的管理資料，打破舊有的單機運作思維，創造AI協作生態系，正是運用資訊技術的實際案例。人們不應抗拒改變，而是思考如何藉助科技和群體的力量，自我升級、更上一層樓，一起乘著AI的浪潮順向而行。
【2020-11-02╱新電子╱ 技術頻道】 （許德瑋）
【原文：https://www.mem.com.tw/arti.php?sn=2010300009】