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。
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。
图：阿里云 ET 工业大脑的“见远“，可做瑕疵检测（来源：阿里云）
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：
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。
图：PCB 行业使用 AI 执行瑕疵检测（来源：台湾工研院）
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。
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）
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。
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）
最前沿的电子设计资讯
