陳明陽
質(zhì)量控制應(yīng)用極有機(jī)會(huì)受惠于人工智能(AI)，相關(guān)技術(shù)成熟與防疫措施要求保持安全社交距離，促使制造商采用結(jié)合智能攝影機(jī)與基于AI技術(shù)的質(zhì)量控制解決方案，不僅表現(xiàn)優(yōu)于人類檢查員，還能協(xié)助制造商降低質(zhì)量檢測(cè)成本與延遲。
許多工業(yè)領(lǐng)域的技術(shù)都已運(yùn)用AI或受AI影響，跟經(jīng)營制造與加工設(shè)施相關(guān)的工業(yè)自動(dòng)化領(lǐng)域應(yīng)用也連續(xù)數(shù)年成長。機(jī)器視覺應(yīng)用于質(zhì)量檢測(cè)已有多年，但整合基于深度學(xué)習(xí)的質(zhì)量控制軟件與智能攝影機(jī)的解決方案，自動(dòng)化程度更高、功能與彈性更完善。
采用機(jī)器視覺的傳統(tǒng)檢測(cè)程序，需由專業(yè)人員決定攝影機(jī)拍攝的影像中，跟檢測(cè)程序相關(guān)的物體邊、角、弧線、色塊等特征，并建立辨識(shí)特征的rule-based系統(tǒng)以確認(rèn)產(chǎn)品符合預(yù)期與否，例如應(yīng)用于包裝線檢測(cè)時(shí)能根據(jù)外型彎曲與外皮轉(zhuǎn)黃的程度來分辨成熟的香蕉，不過有些情況下機(jī)器視覺仍力有未逮。
例如質(zhì)量差異若主要基于定性、不明顯、多變的因素，則不易以機(jī)器視覺分辨好壞。反之深度學(xué)習(xí)系統(tǒng)無需專業(yè)人員就能以受監(jiān)督的(supervised)方式與特定的數(shù)據(jù)庫訓(xùn)練模型，自主學(xué)習(xí)找出質(zhì)量相關(guān)的重要特征，并建立整合檢測(cè)各項(xiàng)特征的rule-based系統(tǒng)以判斷質(zhì)量優(yōu)劣，且只要以不同的數(shù)據(jù)庫訓(xùn)練模型，就可以用于檢測(cè)其他產(chǎn)品。
透過深度神經(jīng)網(wǎng)絡(luò)(DNN)學(xué)習(xí)算法，就無需為個(gè)別的生產(chǎn)情境手動(dòng)建立模型，只要依各種目標(biāo)產(chǎn)品的屬性，收集適當(dāng)?shù)奶卣鲾?shù)據(jù)即可據(jù)以訓(xùn)練檢測(cè)目標(biāo)產(chǎn)品的模型，例如以無瑕疵與有瑕疵產(chǎn)品多元且高質(zhì)量的照片訓(xùn)練DNN模型，就能產(chǎn)生可靠、錯(cuò)誤率低、精準(zhǔn)的視覺系統(tǒng)來辨識(shí)與檢測(cè)。
此外為簡化產(chǎn)品特征數(shù)據(jù)收集、模型訓(xùn)練與部署，新型的不間斷、終身學(xué)習(xí)式DNN正在發(fā)展中，只要以一般性的小型數(shù)據(jù)庫就能訓(xùn)練模型而無需使用產(chǎn)業(yè)專屬的數(shù)據(jù)庫，因此，模型也僅需由終身DNN(L-DNN)供應(yīng)商獨(dú)立于制造商一次性建立。此外由于特征訓(xùn)練與規(guī)則訓(xùn)練階段各自獨(dú)立，因此作業(yè)中可隨時(shí)新增規(guī)則或重新配置以因應(yīng)需求。
