多年來，制造業(yè)已運用機器視覺（Machine Vision, MV）技術(shù)對生產(chǎn)制造的良率把關(guān)進行自動光學(xué)檢驗（Automated Optical Inspection, AOI），美中不足的是MV技術(shù)需要黃金樣本（GoldenSample）且差異容忍度有限，所幸近年來興起的AI（在此也指機器學(xué)習(xí)ML、深度學(xué)習(xí)DL）技術(shù)補強了MV的不足，不需高標模板且在檢測條件上有較大的寬忍，正逐漸成為制造業(yè)品管的新寵技術(shù)。

根據(jù)市場分析，全球工廠自動化市場預(yù)估在2020年至2025年間會有8.6%的年復(fù)合成長率（CAGR），而機器視覺方面也有6.1%成長率。在技術(shù)上，機器視覺確實從規(guī)則基礎(chǔ)轉(zhuǎn)向影像基礎(chǔ)，影像基礎(chǔ)指的正是AI/ML/DL技術(shù)。同時，品管檢驗的運算也從服務(wù)器端轉(zhuǎn)向邊緣端，以及有一些應(yīng)用也開始從2D影像進階到3D影像；運算也從傳統(tǒng)個人計算機轉(zhuǎn)移到嵌入式計算機上。

機器視覺的市場趨勢（左）與技術(shù)趨勢（右）。

而受COVID-19疫情影響世界的運作也在改變，制造更重視在地化以減少運輸、缺料等風(fēng)險；疫情也增強了電子商務(wù)銷售，制造端必須有所因應(yīng)；疫情也影響制造支持服務(wù)，設(shè)備無法到場操作，只能遠程控制；疫情也影響差旅，只能透過遠程視訊溝通。

MV AOI vs AI CV

在制造業(yè)品管引入AI技術(shù)應(yīng)用時，可能有許多制造業(yè)者會疑惑何時使用原有MV技術(shù)何時使用AI技術(shù)？由于傳統(tǒng)機器視覺難以定出精確的檢測規(guī)范，如瑕疵檢測、印刷電路板（PCB）打件等，或者過殺率（Over-Kill）過高的品管項目，是值得改加強投資AI技術(shù)，有助于提高生產(chǎn)質(zhì)量。

深度學(xué)習(xí)可應(yīng)用于表面瑕疵檢測

同時，AI技術(shù)也適合用于人員動作與安全規(guī)范的相關(guān)應(yīng)用，運用姿態(tài)估測與分析技術(shù)，可強化生產(chǎn)效率與生產(chǎn)安全；另外具有視覺能力的低速工業(yè)自走車，或者是機器手臂等，也建議可用AI技術(shù)來增強其環(huán)境應(yīng)對能力，使其在經(jīng)常變動的廠區(qū)環(huán)境配置中、經(jīng)常變動的制造工序中，仍能持續(xù)正確運作。

MV AOI vs AI CV主要差異比較

善用開源AI CV工具

對于制造業(yè)在品管把關(guān)上運用人工智能計算機視覺（AI CV）技術(shù)，可善用OpenCV、Intel OpenVINO等開源工具，不僅功能齊備同時有許多預(yù)先訓(xùn)練好的模型與范例程序可供運用。

善用開源工具為制造品管把關(guān)

OpenCV與OpenVINO協(xié)作

如果覺得OpenCV、OpenVINO等需要下載與安裝過于繁瑣，也可使用云端版的開源工具Intel DevCloud，DevCloud同樣有許多現(xiàn)成范例應(yīng)用，以制造業(yè)而言，即有焊接質(zhì)量的分類，透過影像的識別能歸成三類：無、正常、不良。另也可以偵測廠區(qū)工作人員是否已正確配戴安全帽與背心，若無則會發(fā)出警訊。要提醒的是，若AI模型訓(xùn)練不足或精準度不佳，也是可能出現(xiàn)漏偵測，例如明明工作人員未配戴安全帽進場卻未被偵測到。以下舉焊接質(zhì)量的應(yīng)用范例來進一步說明。

Intel DevCloud內(nèi)建焊接良率檢測模型。

此范例程序在不同的運算系統(tǒng)配置下有不同的表現(xiàn)，其中以使用Intel Xeon Gold 6258R服務(wù)器等級處理器的系統(tǒng)表現(xiàn)最佳，不僅AI推論的處理時間最短，相同時間內(nèi)也可以處理最多張的影像（Frame Per Second, FPS）。

其他的配置也包含使用初階服務(wù)器處理器Xeon E3-1268L，或使用個人計算機處理器Core i5-6500TE搭配GPU、或同樣使用Core i5-6500TE但搭配Intel NCS2 VPU，或使用更初階的Atom x7-E3950搭配GPU等。

不同系統(tǒng)執(zhí)行Intel DevCloud焊接良率檢視推論的效能比較。

小結(jié)

AI技術(shù)在制造品管應(yīng)用上想要落地，仍有不少挑戰(zhàn)，首先是數(shù)據(jù)集不易建置，特別是在不良品的數(shù)量極少，或不同類型的樣本數(shù)高度不均時；其次是AI的訓(xùn)練結(jié)果不得低于傳統(tǒng)MV算法，否則失去使用價值。

此外，在模型布署上，即便將訓(xùn)練好的模型布建到相同機種的不同機臺上，其推論準確性也會有所差異；要定期加入新的不良品數(shù)據(jù)集、重新訓(xùn)練AI模型，但新訓(xùn)練成的模型，必須保證對新舊不良品都有一致的檢測能力，言下之意模型可能因新增的數(shù)據(jù)而對過往的數(shù)據(jù)產(chǎn)生分析（推論）的偏差。

若要權(quán)衡新技術(shù)（在此指導(dǎo)入AI技術(shù)）的投資成本與檢測性價比，AI相較于傳統(tǒng)MV技術(shù)較不要求樣本、燈光，但卻需要較多的數(shù)據(jù)量與運算力，其技術(shù)投資合算性需要事先審慎估算。

最后，目前制造品管的AI應(yīng)用仍多倚賴人為介入的監(jiān)督式學(xué)習(xí)，仍需要投入關(guān)注心力，而最終極目標是能實行非監(jiān)督式學(xué)習(xí)，讓AI自行找出瑕疵處、瑕疵品，然這仍有待發(fā)展努力。

審核編輯 ：李倩