【應用案例】5大瑕疵檢測深度學習之影像處理, AI 光學辨識技術大升級!

工業革命一開始,是使用人力檢查產品的瑕疵,隨著生產力的大躍進,工廠也引入大量的工作人員來做產品檢驗,但是接著產量大增,產品零件更多更細微,人工眼手的速度漸漸跟不上,因此瑕疵檢測的產業也隨之發展,以現今的光學、影像技術來說,對於如何將標的物拍攝清楚,以及如何使用後處理的技術將拍攝出來的影像做增強、去除反光使物件更清楚,已經非常成熟,各家廠商都投入大量的人力物力,以及運用當今許多高端影像辨識技術來克服拍攝的問題,基本上以現在的技術,只要有需要,光學上面幾乎都有方法可以解決。

瑕疵檢測深度學習|影像處理案例-奕瑞科技

 

瑕疵檢測方法大革新!影像處理從人工走向 AI 深度學習。

然而,以往人工檢測,除了眼睛看得見之外,還需要工作人員理解瑕疵的定義跟邏輯,傳統的AOI 都是以機器視覺圖形比的方式對來抓出畫面中與標準樣本不同的項目,雖然這樣已經能找出大部分的瑕疵,但是面對現今少量多樣的產品線,更複雜多變的設計,AOI 難免對某些項目束手。

瑕疵檢測如何進行深度學習?

AOI搭配奕瑞科技的AI 演算法,除了沿用傳統的機器視覺,更將深度學習應用在判斷式上,對於背景複雜,需要多重邏輯判斷的品項,更可以搭配前端成熟的光學技術,設計貼近人類判斷的演算法,來達成客戶的檢驗需求。

常見的瑕疵檢測的5個應用,進行 AI 深度學習有效提升影像處理與判斷!

我們來看看以下幾個例子,就可以了解,成熟的光學技術 加上AI 演算法,如何取代人力達到全檢的目標

 

應用1- 鐵片文字辨識與影像處理

 

鐵片文字辨識1|影像處理深度學習案例-奕瑞科技
鐵片文字辨識2|影像處理深度學習案例-奕瑞科技▲影像處理案例|鐵片文字辨識

原始拍照出來的圖片會有反光跟陰影,對於人眼來說辨識起來有一些困難,經過光學設備拍攝並請以軟體處理掉反光之後,人眼看起來就容易多了,然而過去的機器視覺,由於需要1:1 的相似才能判斷,因此圖片中的數字4以及9,就容易誤判成別的數字,並且也沒有辦法將圖片中的數字轉化成數值來與後端資料庫結合,然後奕瑞科技的AI 工程師可以透過收集不同的數字,來擷取其中字型變化的邏輯,也可以界定出字體變形的範圍,就算因為版印位置有些許不同,也可以正確地判斷出正確的數值,並且還能連結資料庫,知道每個欄位所代表的意義,更有利於之後的資料處理以及分析。

 

應用2 – 晶圓面板瑕疵檢測

晶圓瑕疵檢測|影像處理深度學習案例-奕瑞科技 以左圖為例,傳統AOI無法辨識晶圓下緣的字元,原因是後面的背景複雜,不可能印刷在同一個花紋上,且字元顯示不清晰,有時字元上下部份被背景蓋過,顯示不出完整字元,對於傳統視覺辨識而言,基本上無標準樣品來比對,自然無法判別字元,但是奕瑞工程師可以將背景花紋以及字元分別做訓練,僅需要少量每個字元的資料樣本,即可將字元分離出來,提取不同字元的意義。
右圖中的刮痕也是同樣的道理,AI 能夠理解這些紋路,與原先的背景是不同的,因此也僅需要少量的訓練樣本,即可將晶圓上不應有的瑕疵檢測出來 晶圓瑕疵檢測3|影像處理深度學習案例-奕瑞科技

應用3 – PCB 板 AI 瑕疵檢測


PCB這類品項與上述晶圓檢測一樣,背景比較複雜,且瑕疵樣本不一,不易取得足夠樣本檢測,無法制定容錯空間,誤殺率也過高。奕瑞科技使用AI演算法,模型經過訓練後,可依據瑕疵的特徵來做偵測,因此需要的訓練樣本更少,導入深度學習及演算法,將人類的邏輯判斷寫入程式內,定義出容錯空間,減少誤殺率,且後續只需以增加樣本的方式,就能逐漸提高檢測率且降低漏檢率。

 

應用4 – 包裝瑕疵辨識

包裝瑕疵檢測|影像處理深度學習案例-奕瑞科技

包裝內的產品是需要避免氧化的,因此外面的側邊封裝品質就特別重要,但即使經過初步影響處理已經拍得很清楚,人眼是可以看得出來壓合區域是否足夠,但是傳統的視覺辨識無法判斷封壓的範圍,因此造成許多誤判,且客人希望如果密封時有不小心夾到裡面的料件如下圖,也要檢測出來,這一部分對傳統影像是無法判斷的。

封合夾料瑕疵檢測-夾到內部產品|影像處理深度學習案例-奕瑞科技
▲ 封合夾料檢測-夾到內部產品

奕瑞科技使用AI,將照片進行模型訓練,歸納出模型外包裝之特徵值,藉由特徵值找出包裝袋完整範圍及壓合區,再進行壓合區辨識有無完整封裝。並且也可以經由比對完整包裝情形,來偵測出是否有封合區夾料的情況。

 

應用5 – 印刷品影像處理檢測

由下面幾張範例圖中肉眼可以看出右邊兩張明顯印刷有些模糊的地方,有些可能是噴嘴阻塞造成,有些是因為墨水給得太多,雖然對人眼來說,我們可以很輕易地將所有的瑕疵種類做簡單的區分,但是跟前面幾個案例一樣,瑕疵的形式多變且不可能重複,對於單純比對標準樣本的視覺辨識來說,判斷準確率就不足以在產線上符合客戶以及客戶的客戶的接受標準。
然而AI 的深度學習演算法可以設計成多層次的判斷,堆疊出接近人類思考且有邏輯性判斷式,再加上奕瑞團隊可以針對少量的訓練資料做瑕疵模擬、影像堆疊、影像增強等方法,僅需要少量資料,便能達到不錯的辨識效果,若加上更完整的資料,絕對可以大量減少複檢的人力,並且提高檢測良率!

印刷品瑕疵檢測|影像處理深度學習案例-奕瑞科技
▲ 印刷品檢測範例

 

📍其他人也看:
傳統AOI 導入 AI 辨識系統的困境
如何透過AI AOI瑕疵檢測改善工廠製程?
【應用案例】5大瑕疵檢測深度學習之影像處理, AI 光學辨識技術大升級!

 

綜上數個例子,我相信大家對於AI 的能力有更進一步的認識了,奕瑞科技擁有經驗豐富的專業AI 工程師,不斷引進國外新的辨識方法,以多名專任的標注工程師為後盾,為客戶提供靈活彈性的演算法,以協助客戶面對多變的市場喜好,確保交貨平順高效,且良率皆大歡喜!

 

以上圖片由 感測器、量測系統、雷射刻印機、顯微系統以及機器影像系統的全球領先供應商 KEYENCE 提供

📍了解更多導入AI專案資訊: 聯絡奕瑞 | 最新AI活動展出&案例