品質(zhì)瑕疵檢測(cè)？“電腦視覺(jué)”與“深度學(xué)習(xí)”為品質(zhì)把把關(guān)！

文：李鴻維 2020-08-25

發(fā)布時(shí)間： 2020-08-20 15:15:00

電腦視覺(jué) 深度學(xué)習(xí) 品質(zhì)檢測(cè) 智慧製造卷積神經(jīng)網(wǎng)路孿生神經(jīng)網(wǎng)路

如何檢測(cè)產(chǎn)品瑕疵，確保出貨的產(chǎn)品品質(zhì)，是製造業(yè)不可忽視的議題。然而在人工缺乏、老師傅凋零的狀況下，如何持續(xù)地確保產(chǎn)品品質(zhì)?透過(guò)電腦視覺(jué)與深度學(xué)習(xí)技術(shù)的結(jié)合，建立自動(dòng)化識(shí)別AI模型，最終節(jié)省檢測(cè)人員90%的判讀時(shí)間，成功為產(chǎn)品品質(zhì)把關(guān)。

乘坐高鐵快速奔馳的同時(shí)，有時(shí)不禁想到高鐵如何在出車前確保品質(zhì)能夠承受高速度、高衝擊的磨損呢? 利用人工智慧技術(shù)是否可以協(xié)助工廠進(jìn)行品質(zhì)把關(guān)呢? 以下介紹鼎新電腦在一家客戶的實(shí)作經(jīng)驗(yàn)。

產(chǎn)品品質(zhì)檢測(cè)的挑戰(zhàn)

Z公司是一家專注於大眾運(yùn)輸設(shè)備的輪軸製造公司。由於在高速大眾運(yùn)輸工具上，車輪產(chǎn)品運(yùn)轉(zhuǎn)發(fā)生任何一點(diǎn)瑕疵都可能帶來(lái)嚴(yán)重的安全威脅。因此，需要非常嚴(yán)格的品質(zhì)把關(guān)，以避免瑕疵產(chǎn)品進(jìn)入市場(chǎng)。

Z公司現(xiàn)階段品質(zhì)檢驗(yàn)過(guò)程中，檢測(cè)人員利用壓裝設(shè)備，將車輪壓入車軸，這過(guò)程所產(chǎn)生壓力會(huì)產(chǎn)生「壓力曲線檢測(cè)圖」(如下圖)。檢測(cè)人員針對(duì)壓力曲線檢測(cè)圖進(jìn)行人工判斷，才能確保產(chǎn)品品質(zhì)且符合第三方監(jiān)造人員的標(biāo)準(zhǔn)。

但這樣的檢查對(duì)於檢測(cè)人員是一個(gè)壓力。首先，檢測(cè)圖往往會(huì)出現(xiàn)”模棱兩可的結(jié)果”(如下圖紅色框框標(biāo)示)，造成不同檢測(cè)人員有時(shí)會(huì)產(chǎn)生不同判讀，甚至第三方監(jiān)造人員亦會(huì)有標(biāo)準(zhǔn)不一的現(xiàn)象產(chǎn)生。其次，檢測(cè)人員因長(zhǎng)時(shí)間判讀，會(huì)發(fā)生疲勞誤判的人為風(fēng)險(xiǎn)。第三，有經(jīng)驗(yàn)的檢測(cè)人員必須長(zhǎng)時(shí)間經(jīng)驗(yàn)累積，由於養(yǎng)成成本高及老師傅流失，造成檢測(cè)品質(zhì)的不確定性高。

電腦視覺(jué)與深度學(xué)習(xí)完美結(jié)合
經(jīng)由Z公司與鼎新電腦專案協(xié)作，利用電腦視覺(jué)技術(shù)來(lái)協(xié)助檢測(cè)人員判別，並建置客觀的判斷標(biāo)準(zhǔn)，減少人工判讀誤差，以提高產(chǎn)品良率。過(guò)程中，鼎新AI團(tuán)隊(duì)蒐集客戶檢測(cè)圖片8,000餘張，其中36張被檢測(cè)人員標(biāo)示為不合格，進(jìn)行大數(shù)據(jù)訓(xùn)練與模型建立。之後，鼎新AI團(tuán)隊(duì)採(cǎi)用CNN卷積神經(jīng)網(wǎng)路搭配Siamese孿生神經(jīng)網(wǎng)路，總共8層深度學(xué)習(xí)模型，建立圖片檢測(cè)自動(dòng)化AI模型。模型建立後，Z公司品檢主管針對(duì)模型進(jìn)行多次測(cè)試，比較人工判定與模型判定結(jié)果，發(fā)現(xiàn)不合格檢測(cè)圖都被AI模型給檢驗(yàn)出來(lái)，成功達(dá)到客戶對(duì)產(chǎn)品缺陷零容忍要求。此後，Z公司檢測(cè)人員只需從該AI模型識(shí)別為不合格的少量檢測(cè)圖(如下圖)，再進(jìn)行二次判斷即可，節(jié)省檢測(cè)人員90%的判讀時(shí)間，並達(dá)成一致性檢測(cè)標(biāo)準(zhǔn)，從而降低客戶退貨風(fēng)險(xiǎn)，成功為產(chǎn)品品質(zhì)把關(guān)。

圖、利用AI產(chǎn)生的檢測(cè)結(jié)果

AI模型實(shí)作討論

Z公司所提供的8,000餘張檢測(cè)圖中，有高達(dá)99.6%都為合格檢測(cè)圖，只有0.4%的36張為不合格檢測(cè)圖。事實(shí)上，這種數(shù)據(jù)不平衡狀況在工廠實(shí)務(wù)上履見不顯。一般穩(wěn)定的生產(chǎn)環(huán)境下，產(chǎn)品良率通常是高的(85%以上)，不合格產(chǎn)品數(shù)據(jù)往往較少。在大數(shù)據(jù)分析技術(shù)上，這種數(shù)據(jù)不平衡將會(huì)使得辨識(shí)效果不如預(yù)期。直接使用一般機(jī)器學(xué)習(xí)演算法，容易讓數(shù)據(jù)模型將所有數(shù)據(jù)都判斷為合格，無(wú)法真正識(shí)別出不合格的檢測(cè)圖。這種情形就像我們可以猜測(cè)每天早上沙漠都不會(huì)下雨，即可得到很高準(zhǔn)確率天氣預(yù)測(cè)模型；但這樣模型卻無(wú)法準(zhǔn)確告訴我們什麼時(shí)候沙漠早上會(huì)下雨。以此，在不合格數(shù)據(jù)較少情況下，如何有效提升AI準(zhǔn)確辨識(shí)率，是一門難度高且需要被克服議題。

鼎新AI團(tuán)隊(duì)在反覆實(shí)驗(yàn)建模分析過(guò)程中，嘗試多次重新取樣，希望透過(guò)統(tǒng)計(jì)分析手法降低樣本不平衡；也嘗試細(xì)分各種不合格檢測(cè)圖，並訓(xùn)練多個(gè)識(shí)別模型來(lái)識(shí)別。最終，AI團(tuán)隊(duì)採(cǎi)用Siamese孿生神經(jīng)網(wǎng)路模型為基礎(chǔ)，計(jì)算欲檢測(cè)圖與合格檢測(cè)圖庫(kù)中所有標(biāo)準(zhǔn)檢測(cè)圖的相似度分配，如果相似程度過(guò)低則認(rèn)為該檢測(cè)圖存在不合格風(fēng)險(xiǎn)，最後終於達(dá)到區(qū)分最終檢測(cè)結(jié)果。(如下圖所示)

從本案例中，可知AI大數(shù)據(jù)的模型訓(xùn)練與發(fā)展，須由不斷地從數(shù)據(jù)中淬煉與思考，挑選適當(dāng)演算法，以建立出合適的AI模型。

圖、Siamese孿生神經(jīng)網(wǎng)路深度學(xué)習(xí)模型

小結(jié)

本次AI實(shí)作，成功協(xié)助工廠品質(zhì)檢測(cè)人員提高效率，並達(dá)成一致性檢測(cè)標(biāo)準(zhǔn)，提高產(chǎn)品品質(zhì)；同時(shí)，亦發(fā)展Siamese孿生神經(jīng)網(wǎng)路深度學(xué)習(xí)模型來(lái)解決常見品質(zhì)數(shù)據(jù)不平衡的大數(shù)據(jù)分析問(wèn)題。如果您想了解更多AI應(yīng)用案例，請(qǐng)參閱【AI案例庫(kù)】；同時(shí)，亦可加入【企業(yè)AI觀測(cè)站】FB粉絲團(tuán)，取得更多AI最新消息、AI思維、深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、數(shù)據(jù)分析等相關(guān)內(nèi)容。

參考連結(jié)

李鴻維

機(jī)器學(xué)習(xí)及深度學(xué)習(xí)之技術(shù)不斷推陳出新之際，落地實(shí)現(xiàn)案例亦日益增加，在這條人工智慧應(yīng)用崛起的道路上，期待與您共同參與。李鴻維，中興大學(xué)資訊碩士(人工智慧學(xué)程)，目前在鼎新電腦大人物部門負(fù)責(zé)人工智慧專案的規(guī)劃與執(zhí)行，曾參與智能瑕疵檢測(cè)、智能動(dòng)作辨識(shí)、良率預(yù)測(cè)分析等多項(xiàng)專案。