本文於智慧自動化產業期刊2021年9月號刊出
作者： 李明達 老師
摘要： 傳統自動光學檢測 (AOI) 的精確度已遭遇瓶頸，漏殺率 (Under Kill) 及過殺率 (Over Kill) 過高，導入 AI 技術可以大幅降低漏殺率及過殺率到十分之一以下。 遇到需要零漏殺率的應用，通常會使用兩個不同的 AI 演算法搭配分析，來確保零漏殺率。 如果遇到需要高速檢測的應用，需要導入私有雲運算 (Private Cloud Computing) 的技術，分散運算量，增加 AI AOI 的檢測速度。
過去您僅有的選擇
採人工目視、放大鏡、顯微鏡進行產品檢測，但是人眼辨識能力有限，且易產生視覺疲勞。作業員主觀認定瑕疵，差異性高，誤判機率高，下午的誤判率是上午的兩倍以上。必須耗費大量人力、時間、管理與金錢成本。部分生產線因此開始導入傳統自動光學檢測 (AOI) ，但是卻遇到漏殺率 (Under Kill) 及過殺率 (Over Kill) 過高的問題。
傳統自動光學檢測 (AOI) 現況瓶頸
除了誤判率過高之外，攝影機像素越來越高，檢測速度要求越來越快，部分檢測項目需求由平面 2D 提升至立體 3D，需耗費更多運算資源，單機運算 CPU 已不堪負荷。針對檢測結果，尚無大數據儲存及分析解決方案。
人工智慧自動光學檢測 (AI AOI)
AI AOI 先使用傳統演算法做初步的分析，再採用人工智慧演算法做智能降點的動作，降低誤判率。如果遇到要求零漏殺率的應用，可採用第二種人工智慧演算法再作一次智能降點，確保沒有漏殺發生。瑕疵 (defect )部位支援「多點指示」，可同時偵測多個瑕疵物件位置 (Object Detection) 部位，效益加倍！
AI 演算法
大部分使用 YOLOv4 ，有些使用 VGG16+SSD512 ，部分使用 U-Net ，單一 GPU 在 FP32 的模式下，每秒可以分析 30 張以上 512 x 512 的彩色影像 (30 fps) 。現在 AI 演算法的正確率都很高，都可以超越人類作業員的水準。如果做出來的結果不理想，大部分經過AI顧問服務調整都可以大幅提升正確率。
AI 演算法網址： https://tw.leaderg.com/article/index?sn=10982
AI 顧問服務網址： https://tw.leaderg.com/article/index?sn=9246
即時精密控制技術及 on the fly 影像擷取技術
針對高速檢測應用，例如：晶圓檢測，每秒需拍攝並檢測一百張以上的影像，此時必須導入即時精密控制技術，確保拍攝晶粒 (die) 的位置沒有偏差。另外，需使用on the fly 影像擷取技術，在鏡頭移動中取像，節省拍攝時間，檢測速度（UPH）大躍進！
私有雲運算 (Private Cloud Computing)
由於大部分客戶的影像都須保密，廠內通常沒有對外網路，因此不適合使用公有雲運算。 AI 演算法所需的運算資源比傳統演算法高很多，如果遇到需要高速檢測的應用，需要導入私有雲運算 (Private Cloud Computing) 的技術，增加運算資源，提高 AI AOI 的檢測速度。當單一 AI 電腦無法達到所需的分析速度時，可以加上另一台AI 電腦，透過網路分散運算量。如果速度還不夠，可以再加多台AI 電腦。
AI 電腦
大部分的成本來自於 GPU ，視需要可以搭配以下規格：
NVIDIA RTX-A6000-48G (48 GB ECC 記憶體, 10752 CUDA 核心) 最多可支援四張
NVIDIA RTX-A5000-24G (24 GB ECC 記憶體, 8192 CUDA 核心) 最多可支援四張
NVIDIA RTX-A4000-16G (16 GB ECC 記憶體, 6144 CUDA 核心) 最多可支援七張
NVIDIA RTX-3090-24G (24 GB 記憶體, 10496 CUDA 核心) 最多可支援兩張
NVIDIA RTX-3080TI-12G (12 GB 記憶體, 10240 CUDA 核心) 最多可支援兩張
NVIDIA RTX-3080-10G (10 GB 記憶體, 8704 CUDA 核心) 最多可支援兩張
NVIDIA RTX-3060-12G (12 GB 記憶體, 3584 CUDA 核心) 最多可支援兩張
詳細規格網址： https://tw.leaderg.com/article/index?sn=11111
記憶體容量的多寡代表可執行的AI模型複雜度高低，配備 ECC 記憶體代表系統穩定性較高，CUDA 核心的多寡代表 GPU 運算的速度高低，張數的多寡代表橫向擴充運算能力的高低。
客戶端作業系統由於需搭配現有 ERP 、 MES 等系統，因此以 Windows 為主。視客戶需求整合 AI 訓練程式、 AI 推論程式、資料庫、NAS、Web API 等功能。
大數據 (Big Data)
AI AOI 大數據分為原始影像 (raw image) 及分析結果兩種資料。原始影像通常使用 NAS 儲存，分析結果通常使用資料庫儲存。資料保存期間為一年到三年之間，視客戶需求而定。
大數據分析演算法
以 XGBoost 演算法為主。如果資料量超過1萬筆，可以改用 LightGBM 或 Gradient-Boosting 測試看看是否可以提升正確率。
資料視覺化
針對製程、品管工程師，以及主管們，提供網頁分析介面，將資料視覺化，並可即時分析產品歷史良率變化，幫助找出生產線問題癥結！
VPU 用精度換速度，不適合AI AOI 應用
有些廠商在推廣使用較便宜的 VPU 取代 GPU ，但是 AI 演算法為了提高正確率，採用 FP32 浮點數運算，由於VPU 採用精度較低的 FP16 或 INT8 ，運作方式都是用降低精度換取提升速度，因此不適合需要高正確率的 AI AOI 應用。
AI AOI 專案的成敗
錢！錢！錢！很重要，所以說三遍！AI AOI 專案成功的關鍵在於「 ROI 回本效益評估」：如何賺錢？如何省錢？的商業模式是成敗關鍵。AI 技術漸趨成熟，現在都在做落地應用。跟同業學習，實績很重要。一般來說，做外銷的中大型企業導入 AI 比例高，特別是蘋果供應鏈最積極。其他企業有錢且願意出大錢的比例偏低。一般來說， ROI 半年可回本的，大部分企業都願意做。大型製造業的 ROI 最多一年半，半導體業的 ROI 可以到三年。
產業應用案例與效益分析
以下列舉部分客戶實績供大家參考：
半導體業：零漏失，節省70％人工
面板業：降低過殺率到十分之一，節省70％人工
封測業前段：之前每年都會發生換線爆大量， AI AOI 上線後每年省一億
封測業後段：零漏失，節省70％人工
電子業：零漏失，節省50％人工
石化業：零漏失，節省50％人工
醫療院所：零漏失，節省50％人工
人員擔心被 AI AOI 取代
五年前幫客戶導入 AI AOI ，作業員抗拒，擔心失業被 AI 取代，甚至有破壞機台的情況發生。但是上線半年後，作業員發現 AI AOI 做得又快又好又不傷眼睛，現在反而非常依賴機台。
其他 AI 應用
除了產品瑕疵檢測外， AI 亦可用於監視器影像分析，利用 motion jpeg 或 RTSP stream 在廠房內進行「路倒偵測」，在人員意外發生時，第一時間發現並搶救。 無塵室客戶使用 human pose 演算法進行作業員動作分析，分析是否有依規定清潔無塵服。 傳統人流計數採用光電感測器，易有誤判。 AI 可以截取攝影機影像，精確計算進出人數。 採用 XGBoost 演算法可以進行製程分析、庫存預測、銷售預測、維護保養分析、甚至股價預測，都有很高的正確率。
AI AOI 自動光學檢測設備參考網址：https://tw.leaderg.com/article/index?sn=10528
人工智慧技術文章： https://tw.leaderg.com/dir/index?sn=11114
人工智慧臉書粉絲頁： https://www.facebook.com/leadergtw/
人工智慧 YouTube 影音頻道: https://www.youtube.com/channel/UCoPZ3AYaeJymUQtnF0JxbmQ