AI要能發揮價值、創造效益，落地到行業裡頭是關鍵，相較於營銷廣告、安防、新零售等，工業領域更像是一片藍海。

目前在AI 與工業的結合，多提到大數據優化生產排程、監控零部件或機臺設備運作以及故障預警等，還有一個領域也有不少研究及進展，就是生產過程中的瑕疵檢測，包括線路瑕疵、外觀瑕疵等。

一、傳統瑕疵檢測

除了靠人力檢驗外，製造企業在生產過程中，常使用非接觸式的自動光學檢測（AOI）或自動視覺檢測（AVI）設備，通過高精度攝像頭、機器視覺技術等，抓出有瑕疵或缺陷的產品。比如AOI 設備在自動化程度相對較高的電子業，像是 PCB、PCBA 電路板、Wafer 晶圓及面板行業採用的比例非常高。

但傳統的 AOI 檢測常見幾個遭詬病的問題，首先是誤報率過高，目前 PCB 瑕疵檢測設備的誤判率甚至高達 5 成，需大量人力搭配後端驗證修復站（VRS，Verify Repair Station），將 PCB 圖像放大數百倍顯示在屏幕上讓操作人員確認。

其次，傳統的 AOI、AVI 設備通常適用於檢查二維平面結構的產品，在PCB、面板行業導入的比例很高，有部分 AOI 業者開始推出三維檢測，但系統檢測的時間拉長。此外，AOI 設備價格也相對比較昂貴。

二、AI瑕疵檢測

近年來，隨著深度學習的興起，瑕疵檢測也出現新的技術演變，從傳統的 AOI 轉向與 AI 結合，開始有技術公司開發用以檢測元件瑕疵的 AI 軟件，或與 AOI、AVI 設備結合使用。比如，去年阿里雲 ET 工業大腦提出 AI 視覺產品“見遠”，其中就包含有 AI 質檢員方案。

對比傳統模式，AI 瑕疵檢測有三大優勢：

第一，最重要的是準確率提升，誤判率下降，無需僱用大量人力來進行二次確認；

第二，檢測速度變快，且可分類缺陷，目前半導體檢測設備多是偵測瑕疵，鮮少將其分類，但不同瑕疵類別產線會產生不同程度的嚴重性，尤其是 Defect Type 1 為極重大瑕疵，一旦發生就要停機檢查，時間可能長達 2～3 天，影響產能，目前半導體檢測廠仍是高度倚賴人工分類瑕疵， AI 瑕疵檢測則有助於降低瑕疵分類的時間；

第三，後續可以進一步診斷瑕疵出現的原因，此部分必須跟生產機臺數據串接。

圖：RealAI重點關注無監督、半監督學習、小樣本機器學習等場景

作為源自於清華大學 AI 研究院的產學研結合技術公司，瑞萊智慧（RealAI）落地工業製造三個領域：工業視覺檢測、預測性維護、工藝優化，並鎖定光伏行業，通過計算機視覺的手段，開發光伏面板 EL 缺陷自動檢測算法，針對太陽能光伏面板的多種缺陷進行自動檢測，替代人工視檢過程。

光伏面板缺陷檢測的難點主要在於多晶太陽能電池板的 EL 圖像本身存在晶界等花紋，對缺陷識別產生干擾。同時，不僅缺陷的種類較多，同一種缺陷的形態也變化多端。為此，RealAI 通過使用自主研發的缺陷檢測模型，引入相關領域知識，開發出 EL 缺陷自動檢測算法，目前已經在多家光伏組件頭部製造廠商試用，成果顯著。

三、無監督學習 AI技術浪潮

訓練一個瑕疵檢測的 AI，使用計算機視覺＋深度學習，經過多次處理程序包括圖像的灰度、型態轉化如腐蝕（eroding）、膨脹（dilating）等，從原始圖像中提取感興趣區域（ROI），並利用深度學習算法如 CNN，在 ROI 區域偵測瑕疵。

其中，需要的數據包括眾多有標記出缺陷的獨特圖像、以及標記為正常產品的圖像，來進行監督式學習。也可以使用端到端的深度學習架構，以深度學習來預測 ROI，而非計算機視覺。使用帶有標註的數據集來訓練可預測 ROI 的架構，不過標註的數據集必須明確且足夠廣泛。

目前，AI技術方面有一個非常值得關注的發展趨勢，就是無監督式學習技術。這一波的 AI 浪潮始於視覺任務展現了很大的進展，通過標註數據來訓練出識別、分類的 AI，就像前述的 AI 瑕疵檢測，同樣利用有標註瑕疵的圖像數據來訓練，不過，這對瑕疵數據量有一定的要求，是否收集足夠就成了挑戰。另外，如果出現不曾被標註訓練過的瑕疵，系統是否能發現，也是一個問題。

這也是 RealAI 發展無監督學習 AI 的原因，RaalAI CEO田天表示，“在工業應用領域，收集高質量訓練數據的過程往往成本高昂，且耗費時間，如果採用無監督或者半監督的學習方法，就能有效降低訓練數據需求，針對碎片化的工業視覺檢測場景具有更廣的應用前景”。在沒有訓練數據時，可以考慮採用異常檢測、或者變化檢測等方法，讓機器學會什麼是正常的數據，進而在出現異常數據或者變化時能夠做出準確判斷。

目前，RealAI 自主研發的無監督算法就成功運用於石油管線故障檢測問題。在這一問題中，信號數據噪音大，且沒有標註，RealAI利用無監督算法，成功預測出存在缺陷的管線位置，並且已交付使用。此外，利用無監督學習方法RealAI還解決了捲菸機和包裝機預測性維護問題。

“在許多缺少或沒有訓練數據的領域，無監督學習是唯一可用的選擇，”田天指出。

四、AI 快速落地工業製造領域

除了安防、新零售、醫療等行業，其實AI在工業製造領域可以發揮很大的效用。據RealAI調查顯示，目前“缺陷檢測”和“預測性維護”兩大應用方向，工業製造業客戶的接受度和需求較高，主要是因為該領域痛點明顯，並對企業效益有直接影響。而且預測性維護有利於避免重大事故，對於安全製造和安全生產至關重要。

對於 2019 年人工智能在工業製造領域的發展，田天認為，2019 年都會是人工智能技術在工業製造領域中快速發展與落地的一年。過去十年間，AI 領域開發了大量優秀算法，為實際應用儲備了大量的工具。近年來，AI技術也開始大規模應用於金融和互聯網等領域，為AI技術的行業落地起到了較好的示範效應。

同時，經過此前工業數字化轉型，目前工業領域中已經廣泛使用傳感器等設備，積累了大量的數據，為人工智能應用提供了堅實的基礎。

再來就是政策方面，國家快速推進工業互聯網的發展，並鼓勵企業進行智能化轉型，大量工業製造企業開始尋求使用人工智能結合領域知識，切實解決行業痛點。

因此，基於三方面時機點的良好交會：較高的社會接受度和豐富的技術儲備；工業領域具有大量的數據積累；國家政策層面的大力支持，可以預見， 2019 年人工智能技術落地將在工業製造領域實現爆發！

（本文轉載整理自「DeepTech深科技」，如需轉載請聯繫原作者）