品質(zhì)瑕疵檢測？“電腦視覺”與“深度學(xué)習(xí)”為品質(zhì)把把關(guān)！

文：李鴻維 2020-08-25

發(fā)布時間： 2020-08-20 15:15:00

電腦視覺 深度學(xué)習(xí) 品質(zhì)檢測 智慧製造 卷積神經(jīng)網(wǎng)路 孿生神經(jīng)網(wǎng)路

如何檢測產(chǎn)品瑕疵，確保出貨的產(chǎn)品品質(zhì)，是製造業(yè)不可忽視的議題。然而在人工缺乏、老師傅凋零的狀況下，如何持續(xù)地確保產(chǎn)品品質(zhì)?透過電腦視覺與深度學(xué)習(xí)技術(shù)的結(jié)合，建立自動化識別AI模型，最終節(jié)省檢測人員90%的判讀時間，成功為產(chǎn)品品質(zhì)把關(guān)。

乘坐高鐵快速奔馳的同時，有時不禁想到高鐵如何在出車前確保品質(zhì)能夠承受高速度、高衝擊的磨損呢? 利用人工智慧技術(shù)是否可以協(xié)助工廠進(jìn)行品質(zhì)把關(guān)呢? 以下介紹鼎新電腦在一家客戶的實(shí)作經(jīng)驗(yàn)。

產(chǎn)品品質(zhì)檢測的挑戰(zhàn)

Z公司是一家專注於大眾運(yùn)輸設(shè)備的輪軸製造公司。由於在高速大眾運(yùn)輸工具上，車輪產(chǎn)品運(yùn)轉(zhuǎn)發(fā)生任何一點(diǎn)瑕疵都可能帶來嚴(yán)重的安全威脅。因此，需要非常嚴(yán)格的品質(zhì)把關(guān)，以避免瑕疵產(chǎn)品進(jìn)入市場。

Z公司現(xiàn)階段品質(zhì)檢驗(yàn)過程中，檢測人員利用壓裝設(shè)備，將車輪壓入車軸，這過程所產(chǎn)生壓力會產(chǎn)生「壓力曲線檢測圖」(如下圖)。檢測人員針對壓力曲線檢測圖進(jìn)行人工判斷，才能確保產(chǎn)品品質(zhì)且符合第三方監(jiān)造人員的標(biāo)準(zhǔn)。

但這樣的檢查對於檢測人員是一個壓力。首先，檢測圖往往會出現(xiàn)”模棱兩可的結(jié)果”(如下圖紅色框框標(biāo)示)，造成不同檢測人員有時會產(chǎn)生不同判讀，甚至第三方監(jiān)造人員亦會有標(biāo)準(zhǔn)不一的現(xiàn)象產(chǎn)生。其次，檢測人員因長時間判讀，會發(fā)生疲勞誤判的人為風(fēng)險。第三，有經(jīng)驗(yàn)的檢測人員必須長時間經(jīng)驗(yàn)累積，由於養(yǎng)成成本高及老師傅流失，造成檢測品質(zhì)的不確定性高。

電腦視覺與深度學(xué)習(xí)完美結(jié)合
經(jīng)由Z公司與鼎新電腦專案協(xié)作，利用電腦視覺技術(shù)來協(xié)助檢測人員判別，並建置客觀的判斷標(biāo)準(zhǔn)，減少人工判讀誤差，以提高產(chǎn)品良率。過程中，鼎新AI團(tuán)隊蒐集客戶檢測圖片8,000餘張，其中36張被檢測人員標(biāo)示為不合格，進(jìn)行大數(shù)據(jù)訓(xùn)練與模型建立。之後，鼎新AI團(tuán)隊採用CNN卷積神經(jīng)網(wǎng)路搭配Siamese孿生神經(jīng)網(wǎng)路，總共8層深度學(xué)習(xí)模型，建立圖片檢測自動化AI模型。模型建立後，Z公司品檢主管針對模型進(jìn)行多次測試，比較人工判定與模型判定結(jié)果，發(fā)現(xiàn)不合格檢測圖都被AI模型給檢驗(yàn)出來，成功達(dá)到客戶對產(chǎn)品缺陷零容忍要求。此後，Z公司檢測人員只需從該AI模型識別為不合格的少量檢測圖(如下圖)，再進(jìn)行二次判斷即可，節(jié)省檢測人員90%的判讀時間，並達(dá)成一致性檢測標(biāo)準(zhǔn)，從而降低客戶退貨風(fēng)險，成功為產(chǎn)品品質(zhì)把關(guān)。

圖、利用AI產(chǎn)生的檢測結(jié)果

AI模型實(shí)作討論

Z公司所提供的8,000餘張檢測圖中，有高達(dá)99.6%都為合格檢測圖，只有0.4%的36張為不合格檢測圖。事實(shí)上，這種數(shù)據(jù)不平衡狀況在工廠實(shí)務(wù)上履見不顯。一般穩(wěn)定的生產(chǎn)環(huán)境下，產(chǎn)品良率通常是高的(85%以上)，不合格產(chǎn)品數(shù)據(jù)往往較少。在大數(shù)據(jù)分析技術(shù)上，這種數(shù)據(jù)不平衡將會使得辨識效果不如預(yù)期。直接使用一般機(jī)器學(xué)習(xí)演算法，容易讓數(shù)據(jù)模型將所有數(shù)據(jù)都判斷為合格，無法真正識別出不合格的檢測圖。這種情形就像我們可以猜測每天早上沙漠都不會下雨，即可得到很高準(zhǔn)確率天氣預(yù)測模型；但這樣模型卻無法準(zhǔn)確告訴我們什麼時候沙漠早上會下雨。以此，在不合格數(shù)據(jù)較少情況下，如何有效提升AI準(zhǔn)確辨識率，是一門難度高且需要被克服議題。

鼎新AI團(tuán)隊在反覆實(shí)驗(yàn)建模分析過程中，嘗試多次重新取樣，希望透過統(tǒng)計分析手法降低樣本不平衡；也嘗試細(xì)分各種不合格檢測圖，並訓(xùn)練多個識別模型來識別。最終，AI團(tuán)隊採用Siamese孿生神經(jīng)網(wǎng)路模型為基礎(chǔ)，計算欲檢測圖與合格檢測圖庫中所有標(biāo)準(zhǔn)檢測圖的相似度分配，如果相似程度過低則認(rèn)為該檢測圖存在不合格風(fēng)險，最後終於達(dá)到區(qū)分最終檢測結(jié)果。(如下圖所示)

從本案例中，可知AI大數(shù)據(jù)的模型訓(xùn)練與發(fā)展，須由不斷地從數(shù)據(jù)中淬煉與思考，挑選適當(dāng)演算法，以建立出合適的AI模型。

圖、Siamese孿生神經(jīng)網(wǎng)路深度學(xué)習(xí)模型

小結(jié)

本次AI實(shí)作，成功協(xié)助工廠品質(zhì)檢測人員提高效率，並達(dá)成一致性檢測標(biāo)準(zhǔn)，提高產(chǎn)品品質(zhì)；同時，亦發(fā)展Siamese孿生神經(jīng)網(wǎng)路深度學(xué)習(xí)模型來解決常見品質(zhì)數(shù)據(jù)不平衡的大數(shù)據(jù)分析問題。如果您想了解更多AI應(yīng)用案例，請參閱【AI案例庫】；同時，亦可加入【企業(yè)AI觀測站】FB粉絲團(tuán)，取得更多AI最新消息、AI思維、深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、數(shù)據(jù)分析等相關(guān)內(nèi)容。

參考連結(jié)

??

李鴻維

機(jī)器學(xué)習(xí)及深度學(xué)習(xí)之技術(shù)不斷推陳出新之際，落地實(shí)現(xiàn)案例亦日益增加，在這條人工智慧應(yīng)用崛起的道路上，期待與您共同參與。李鴻維，中興大學(xué)資訊碩士(人工智慧學(xué)程)，目前在鼎新電腦大人物部門負(fù)責(zé)人工智慧專案的規(guī)劃與執(zhí)行，曾參與智能瑕疵檢測、智能動作辨識、良率預(yù)測分析等多項(xiàng)專案。

更多案例