向右滑动:上一篇 向左滑动:下一篇 我知道了
广告

AI学会“挑刺”,可揪出光伏、PCB、芯片瑕疵

时间:2019-04-25 阅读:
随着近年深度学习的兴起,瑕疵检测也出现新的技术演变,从传统的 AOI 转向与 AI 结合,不少初创公司开发用以检测元件瑕疵的 AI 软件,或与 AOI、AVI 设备结合使用。另一方面,检测设备商也通过 AI 技术优化 AOI 设备的准确度。

AI 要能发挥价值、创造效益,落地到行业里头是关键,相较于营销广告、安防、新零售等,工业领域更像是一片蓝海,目前在 AI 与工业的结合,多提到大数据优化生产排程、监控零部件或机台设备运作以及故障预警等,还有一个领域也有不少研究及进展,就是生产过程中的瑕疵检测,包括线路瑕疵、外观瑕疵等。

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,会导致很大商业的损失,除了靠人力检验之外,在生产过程中,使用非接触式的自动光学检测(AOI,Automated Optical Inspection)或自动视觉检测(AVI,Automated Visual Inspection)设备已经行之有年,旨在通过高精度摄像头、机器视觉技术等,抓出有瑕疵或缺陷的产品,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、有无细微裂缝等,自动化程度相对较高的电子业,像是 PCB、PCBA 电路板、Wafer 晶圆及面板行业采用的比例也非常高。

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,扩大服务范畴。其他知名的公司还有像是美国的 Rudolph Technologies、日本 Takano 等。

国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 万人民币的装备订单,包括宏观及微观缺陷检测设备、玻璃边缘检查机等高端装备,主要应用于 OLED 面板产线的缺陷检测。而惠州高视科技的设备也应用于面板行业,进行屏幕的缺陷检测,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,瑕疵检测也出现新的技术演变,从传统的 AOI 转向与 AI 结合,不少初创公司开发用以检测元件瑕疵的 AI 软件,或与 AOI、AVI 设备结合使用。另一方面,检测设备商也通过 AI 技术优化 AOI 设备的准确度。

049ednc20190425

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

另外,去年中,阿里云 ET 工业大脑提出 AI 视觉产品“见远“,其中就有 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语言,能让质检机器实时、自动判断电池片的缺陷。并与光伏公司浙江正泰合作,通过“见远“实现单、多晶电池片电致发光(EL,electroluminescence)缺陷的毫秒级自动判定。

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术公司—瑞莱智慧(RealAI)锁定工业三个领域:工业视觉检测、预测性维护、工艺优化,其中已通过计算机视觉的手段,开发光伏面板 EL 缺陷自动检测算法。

中国已是工业制造大国,一直以持续提升制造的品质及效率为目标,瑕疵检测迈向 AI 化,也可望对国内制造业带来新的契机。

050ednc20190425

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

谈论瑕疵检测 AI 之前,有必要先了解 AOI,其核心技术大致有四块:

  • 光学光源:取像元件、感光模组、光学镜头、光源照明设备
  • 机构控制:可程序逻辑控制器、PC-Base 控制主机单芯片控制板
  • 影像处理:边缘侦测、图像匹配、特征侦测、摄像头校正等
  • 分析软件:统计分析、数据处理

广义的 AOI 设备是结合光学、讯号处理系统和分析软件,可应用在生物医学、指纹比对、品质检测等方面;狭义的 AOI 多是指应用在工业上,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甚至高达 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人员确认。而往往造成设备误报的原因还不少,包括产品色差不同、环境光源、算法能力、摄像头等级等。

同时,各行业遇到的检测瓶颈也不同,像是 PCB 遇到的瓶颈主要在“终检站”;晶圆生产则是在“黄光站”,想要解决这些问题,非常需要与行业专业知识(domain knowhow)深度配合。

其次,传统的 AOI、AVI 设备通常适用于检查二维平面结构的产品,所以这也是为什么 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,但系统检测的时间拉长。此外,AOI 设备价格相对昂贵等也是一个问题。

对比传统模式,AI 瑕疵检测有三大优势:第一也是最重要的是准确率提升,当误判率下降后,就不用像过去一样雇用许多人力来进行二次确认。第二则是检测速度变快,而且可分类缺陷,举例来说,半导体检测设备多是侦测瑕疵,鲜少将其分类,但不同瑕疵类别产线会产生不同程度的严重性,尤其是 Defect Type 1 为极重大瑕疵,一旦发生就要停机检查,时间可能长达 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 有助于降低瑕疵分类的时间。第三则是后续可以进一步诊断瑕疵出现的原因,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。

051ednc20190425

图:PCB 行业使用 AI 执行瑕疵检测(来源:台湾工研院)

痛点明确,电子行业陆续导入

训练一个检测产品瑕疵的 AI,做法像是使用计算机视觉+深度学习,从原始图像中提取感兴趣区域(ROI),这会经过多个处理程序包括图像的灰度、型态转化如腐蚀(eroding)、膨胀(dilating)等,最后勾勒出 ROI 区域,并利用深度学习算法如 CNN,在 ROI 区域侦测瑕疵。数据则包括众多有标记出缺陷的独特图像、以及标记为正常产品的图像,来进行监督式学习。也有人使用端到端的深度学习架构,以深度学习来预测 ROI,而非计算机视觉。使用带有标注的数据集来训练可预测 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其实非常广,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,像是台湾知名的 DRAM 大厂就导入了台湾工研院开发的 AI 检测方案。

另外,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,过去生产线采用 AVI 设备检测瑕疵,但检测的结果常受到产品色差、高度等因素影响,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,原本所有产品都需人工复检,现在只剩其中 30% 需再次人工检查,大幅提高了效率。

而国内的 RealAI 则是锁定光伏行业,他们开发光伏面板 EL 缺陷自动检测算法,通过计算机视觉的手段,针对太阳能光伏面板的多种缺陷进行自动检测,替代人工视检过程。

RealAI CEO 田天在接受 DeepTech 采访时表示,这一问题的难点主要在于多晶太阳能电池板的 EL 图像本身存在晶界等花纹,对缺陷识别产生干扰。同时,不仅缺陷的种类较多,同一种缺陷的形态也变化多端,RealAI 通过使用自主研发的缺陷检测模型,并引入相关领域知识,开发出 EL 缺陷自动检测算法,已经在多家光伏组件头部制造厂商试用。

052ednc20190425

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、医疗等的讨论较多,但其实在工业上也可发挥很大的效用,目前哪些领域应用的比较多,或是企业接受度较高?田天指出,目前在“缺陷检测”和“预测性维护”两大方面客户接受度和需求较高,主要是因为该领域为客户痛点,能直接为客户节省大量的费用。预测性维护也有利于避免重大事故,对于安全制造和安全生产至关重要。

对于 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术落地的一年,主要来到了三方面时机点的良好交会:首先是已积累大量算法及行业示范效应,过去 10 年间,AI 领域开发了大量优秀算法,为实际应用储备了大量的工具。近年来,人工智能开始大规模应用于金融和互联网等领域,起到了较好的示范效应。

同时,经过此前工业数字化转型,目前工业领域中已经广泛使用传感器等设备,且积累了大量的数据,为人工智能应用提供了坚实的基础。

再来就是政策方面,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悉与接受,工业领域的大量企业开始寻求使用人工智能深度结合领域知识,切实解决领域内的问题。

因此,在人工智能具有较高的社会接受度和丰富的技术储备;工业领域具有大量的数据积累,且普及应用传感器;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术在工业制造领域中快速发展与落地的一年。

缺少数据的工业制造领域,迈向非监督学习 AI

除了行业需求外,在技术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,通过标注数据来训练出识别、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训练,不过,瑕疵数据量是否收集足够就成了挑战。另外,如果出现不曾被标注训练过的瑕疵,系统是否能发现,也是一个问题。

这也就是 RealAI 发展无监督学习 AI 的原因,田天说,“在工业应用领域,收集高质量训练数据的过程往往成本高昂,且耗费时间,如果采用无监督或者半监督的学习方法,就能有效降低训练数据需求,针对碎片化的工业视觉检测场景具有更广的应用前景”。在没有训练数据时,可以考虑采用异常检测、或者变化检测等方法,让机器学会什么是正常的数据,进而在出现异常数据或者变化时能够做出准确判断。

比如,RealAI 自研的无监督算法就成功运用于石油管线故障检测问题。在这一问题中,信号数据噪音大,且没有标注,他们利用无监督算法,成功预测出存在缺陷的管线位置,并且已交付使用。此外,也利用无监督学习方法解决了卷烟机和包装机预测性维护问题。“在许多缺少或没有训练数据的领域,无监督学习是唯一可用的选择,”他说。

(来源:DeepTech深科技)

本文为EDN电子技术设计 原创文章,禁止转载。请尊重知识产权,违者本司保留追究责任的权利。
  • 微信扫一扫
    一键转发
  • 最前沿的电子设计资讯
    请关注“电子技术设计微信公众号”
您可能感兴趣的文章
  • 一张订单的两面:从精准需求到精准供应 为了了解制造商们将如何应对下一波市场变化及行情,在管理供应链和渠道方面又会有哪些新策略,有芯电子今年向电子制造商、分销商/代理商、元器件原厂发出了三千多份问卷,涵盖通信、工控/仪表、消费电子、汽车电子、电力/能源等领域,最终获得了1614份有效问卷回复。其中从企业规模上来看,小微企业居多,从企业性质上来看,民企居多,与整个市场的结构较接近,反映了调查的严谨性与可靠性。
  • 地平线张永谦:AI在边缘侧落地背后的思考 “边缘侧智能设备大规模爆发的趋势,使数据成为如今AI芯片领域最大的挑战。”2019年11月7日,在由ASPENCORE《电子工程专辑》、《国际电子商情》和《电子技术设计》主办的“2019全球双峰会”上,地平线副总裁&AIOT芯片方案产品线总经理张永谦以“边缘AI芯片赋能行业,共建普惠AI时代”为题,介绍了地平线机器人在边缘AI芯片以及解决方案,以及地平线对AI在边缘侧落地背后的思考。
  • 从e-AI和SOTB两大技术看,如何通过技术创新实现业务模式 目前在各种领域当中都有AI的应用方案,但很多方案AI应用都取决于云端的计算能力。嵌入式系统对实时性的要求,会因为延时而出现滞后问题。在这样的环境下,嵌入式人工智能就能大显身手。
  • 安静!我要跟车子讲话... 随着CarPlay、Android Auto以及Echo Auto等平台渗透乘用车市场,车内语音识别技术预期将成为主流;但仍有一个答案未知的问题是:市场上有任何语音启动技术已经准备好随机应对车内的关键任务了吗?
  • 边缘AI大战一触即发 一场边缘AI大战正悄悄展开...每一家处理器供货商都将机器学习视为「金鸡母」,积极地调整自家公司策略,竞相为这个具有最大商机的领域——边缘AI提供加速特定工作负载的解决方案...
  • 2020年的信息安全:人工智能在各种信息安全系统中的广泛 现在,我们有了一个更加复杂的环境,其中包含越来越多的设备,每一个设备都可能成为攻击目标,并且存在隐私和安全漏洞。然而,除了笔记本电脑和智能手机,这些联网设备通常最多只能执行一项或两项功能。如果它们是发源于设计目的,监控站可以向中央系统发出警报并标记问题。这就是人工智能(AI)和机器学习(ML)在保护消费者周边环境方面可以发挥的重要作用。
相关推荐
    广告
    近期热点
    广告
    广告
    广告
    可能感兴趣的话题
    广告