11月29日，在由36氪舉辦的WISE2022未來能源創投新風向大會中，阿丘科技聯合創始人鄭慧偉發表了題為《AI視覺檢測助力企業數字化質量和品質閉環的構建》的主題演講。

鄭慧偉認為，AI質檢需要幫助企業最終實現質量和品質的數字化閉環，構建整個質量管控閉環系統，使得質檢結果能夠追溯工藝過程，實現工藝、生產過程的反饋優化。AI供應商主要提供工具和平臺，客戶借助AI平臺沉淀符合自身需求的工藝數據模型，最終打造出以AI驅動的數字化質量管理平臺。

以下為本次演講實錄：

大家好，今天我分享的題目是AI視覺檢測助力企業數字化質量和品質閉環的構建。也就是說從質量管控到良率提升到整個質量閉環的構建，最終希望能夠走向整體的燈塔工廠。

整個智能制造的核心關注點無非就是四點：提質、增效、降本、擴柔。

其中提質顧名思義非常簡單，提升產品質量，提升可控度。增效就是增加產量和提升良率。降本就是降低固定成本和系統成本。擴柔不管是增加切拉換洗的自動化程度還是增加整個切拉換洗的速度，總之來說提升規模效應，擴大柔性事業能力是整個智能制造的核心關注點。

對于我們鋰電行業來說的話，特別特殊的是安全性是行業的一個生命線。下游市場對于安全性的關注度是非常高的，對于我們整個電池制造來說整個電池制造一致性、良品率、安全性等都是有非常高的要求。

01

工廠質量管控的現狀、痛點以及實現難點

當前來說主要以人工目檢為主，這就會存在主觀判斷和目視疲勞，檢測結果難以量化，過漏檢指標難以管控等問題。如果用一些傳統的AOI檢測設備的話，大家可能也都用過，通常會有廠家一致性比較差、整體檢出率比較低，品質管控非常煩瑣困難等問題，很難滿足最終的過漏檢指標。還有整體數據孤島的問題，比如檢測圖片散落在各個獨立的設備上難以進行排查，難以回溯，數據容易丟失，而且也不好做相應的改善和優化。最后一個是屬于質量管控和段劃，質量管控和上游的生產工藝無法形成一個回溯關聯，沒有辦法從源頭改善品質。

那工廠質量管控存在哪些難點呢？

1. 產量大，工藝控制點非常多，所以說檢測次數很多也比較繁雜。

2. 極限制造對于精度和品控要求越來越高，特別是現在隨著產線速度越來越快，對整個檢測的效率要求越來越高。

3. 缺陷種類非常復雜細小，而且區分度比較低。在整個檢測過程中，因為不同的缺陷是由不同的工藝造成的，對缺陷的區分其實是要做到精細化的處理，不然的話整體很難做到工藝追溯包括很難做到過漏檢的優化。

4. 當前階段需要耗費大量的人力財力，不管是質檢員還是相應的管理成本都比較高。

我們從內部看一下質量管控的現實難點，客觀來說對于任何一家企業來說，品質部跟生產部多多少少還是互相有不同的關注點的。品質部關心的是質量怎樣能夠滿足相應的要求，而生產部關心的是生產的量，所以說這就是一個天然的矛盾，意味著品質管控和產能之間的矛盾是不以人的意志為轉移的，是天然存在的。而且，矛盾會隨著時間變化，也會隨著客戶的要求變化而變化，最終臨界點意味著不同客戶或不同的時間點對整個可接受良率的極限是在這個臨界范圍之內波動的。

02

構建企業數字化質量&品質閉環的價值

構建整個企業數字化質量和品質閉環的價值：

保障品質檢查的一致性。

保障品質數據的可視化和可預警。

保障品質數據的統一化管理，實現缺陷精準分類和工藝改善。

建立真正的無憂的質量保障系統，構建人、機、AI復合質量檢查體系。基本上要把AI檢、機器檢、人工檢有機的結合起來，充分發揮各自特長，發揮各自的優點，規避各自的缺陷，實現無憂的質量保障體系，打通設備和人的屏障。

視覺檢測的價值本質來說就是兩點：

第一點，產品出廠的質量控制，毫無疑問產品賣出去或者給到下游的時候，這一塊做相應的檢查。

第二點也是更重要的點，生產過程的工藝控制。在各個工藝的點上把相應的缺陷給剔除出來或者發現了，同時在這個點上能建立缺陷和工藝之間的映射關系，為整個質量閉環提供數據基礎，從而提升相應的良率。

03

阿丘科技工業級AI的實踐和路徑

下面由我來介紹下，阿丘科技在工業級AI質檢是怎么做的，我們都做了哪些相應的實踐。

總的來說，主要圍繞以下四點：

自己的修行之路。

工業AI的軟件平臺和工具鏈構建的比較完善。

深入工藝打造行業的工藝包。

以質量數據為核心構建整個質量閉環。

第一點，自己的修行之路，我們從一開始就有完全自己能夠深度學習的算法和引擎，面向工業的而不是面向泛行業的，工業有工業非常強的工業特點。第二塊有標準的軟件平臺和解決方案，整體團隊是來自清華人工智能實驗室的，整體的研發團隊也比較強大，最后我們有非常豐富的落地案例和方法論。

第二點，構建的平臺+工具的端-邊-云架構，為過程檢和終檢服務完整的架構。要想實現工業AI質檢，其實對算法特別是對小缺陷的檢測能力、對小樣本的學習能力、對非監督的要求以及對于快速訓練的要求非常高，我們關于這方面都做了對應的優化。

構建了整個AI檢測質量質檢落地的閉環三要素：算法、軟件工具鏈、落地方法論。所以說從大的維度來說，也就意味著工業AI檢測本質上從通用AI走向了工業AI，工業AI有非常強的特點。第二塊，AI不僅是算法更是系統工程，所以說不能只考慮算法，要考慮怎么落地，怎么把落地方法論構建起來，怎么把軟件工具鏈構建起來。第二點AI本質上是算法和數據，我在后面會講數據的價值。

第三點，就是深入工藝，打造行業工藝包。以鋰電行業為例，從前到后整個的工藝點非常多，每個點都需要管控，所以說我們可以針對每個工藝點結合這個工藝點的特征構建對應的工藝包，頂蓋的工藝包、密封釘的工藝包、六面電芯外觀檢的工藝包等等。每個工藝包的工藝特點是不一樣的。

從檢測系統的發展來看，其實共經歷了三個階段：

第一代的檢測系統就是圖像獲取到基于規則的圖像處理到基于規則的圖像分析，最終結果出來，我們把它定義成傳統的數據系統，這一塊以消費電子行業為主。但是隨著整個缺陷檢測難度的提升和整個復雜度的提升以及對于相應的工藝閉環要求的提升，這一代系統整體檢出率和使用率體驗也是非常不好的。第二代的檢測系統，是以傳統數據為主，以AI為輔的檢測模式，這一塊只是一種中間過渡的狀態。

其實我們已經邁入了第三代的檢測系統時代，也就是說以AI為主檢，以傳統算法為輔的時代。本質上是回歸了品質管控的本質，品質管控本質上都是圍繞工藝來的，要么過工藝管控，要么做工藝提升，最終實現整體的品質良率提高。

我們基于尺寸規則邏輯進行缺陷檢測，原來是多少乘多少尺寸的缺陷，但是因為缺陷發生的形態老是在變化，就會經常出現各種各樣的邊邊角角的問題。現在走向以形態檢測為主，也就意味著把劃痕檢出來，把臟污檢出來，并不在意臟污到底是圓形的、方形的、菱形的還是不規則形的。我們只關心臟污，這就會回到整個事物最初始、最本質的狀態。

第三點以AI檢測有一個非常大的好處，它的工藝是以模型、以數據形式沉淀下來的，可追溯的，可優化的，而不像傳統的都是一種過程的量，是沒辦法做追溯優化和沉淀的。

第四點構建整個質量管控閉環系統。毫無疑問在當前階段從生產到品質的過程其實大部分還屬于開放狀態，生產歸生產、品質歸品質。品質主要是對整個質量進行管控，但是最終很難往前追溯或者真正定量化改善。

大家如果學過控制論相應理論，就知道閉環系統是最穩定的系統，特別是負反饋閉環系統。不管是整體的可控度、穩定性、決卻度還是抗干擾能力都非常好，所以就倒逼我們在整個質量管控方面也要構建閉環系統。

閉環系統在我們視角看來分為三個層次，從AI閉環最終走向質量閉環有三個階段：

第一階段，工業AI落地。用AI結合相應的算法落地方法論和工具鏈能把第三代AI檢測系統做得比較完善和比較好。

第二階段，數據驅動的AI系統優化，也就意味著以數據為核心而不是以AI為核心來看待這個問題，本質上是AI、數據、質量標準三位一體循環優化，最終走向質量數字化閉環。最終階段是以客戶的關注點來看待的一項工藝。AI已經變成AI工具或者平臺，還有客戶關心的解決方案等。

第三階段，我們統稱為以AI驅動的數字化質量平臺。所以閉環系統是循序漸進而且是層層深入的。我們如果從終局角度或者長線角度看來，這么做的方式解答了客戶和AI供應商之間的各自定位問題，意味著AI的供應商和終端客戶雙方有不同的生態位和價值沉淀。

AI供應商如何把AI相應工具做好，以數據為核心、工藝沉淀為核心、以工藝優化為核心，最終將工藝數據模型沉淀在客戶這里，這也是客戶最想要的東西。

那么，如何構建整個質量管控的閉環系統？

01

把質量標準數字化、檢測模式數字化

原來用表格或者紙質方式記錄的缺陷標準要回歸到本質以數字化方式建檔起來，可以優化和改善。原來是人工目視，現在通過機器視覺的方式把它轉化成數字化信號存儲起來，相當于原圖也可以存儲起來，最終實現可反饋、可存儲、可復制。

02

實現缺陷檢測的AI化

將工藝沉淀到模型池。剛才說了通過AI高泛化的適應能力結合AI的抽象能力，把原來檢測不出來的缺陷檢測出來，把能檢的全部檢出來。對造成這些缺陷的原因進行相應的分析，把它沉淀到相應的模型池。

03

AI強缺陷分類，實現工藝溯源，閉環優化實現真正的零缺陷管控

AI有非常強的缺陷分類能力，在把缺陷分完類之后或者精細化分類完之后，再相應地往前追溯工藝就成為一種可能。舉個例子，劃傷有對應的原因造成，氣泡產生的原因也不一樣。在缺陷形態來看，異物和氣泡可能長得很像，但是從最終工藝的角度來看，這兩個是由不同的原因造成。所以最終我們要實現工藝的數字化、制造的數字化、誤差的數字化和品質的數字化，以此來實現構建完整的質量管控閉環。

04

以數據為中心、以AI為動力，構建完整的閉環

有了相應的數據中心之后，對應上層相應的質量算法，缺陷分類和質量溯源體系，預警和預測體系，工藝改善體系還有質量重要度分析，以及相應的良率分析體系。整體質量控制就有了相應的數據和土壤，就能把相關工作做得比較細致和有價值。工業AI質檢的典型應用場景包括外觀檢測、缺陷分類、裝配確認、有無檢測、分選定級等。

04

典型行業案例

下面展示2個案例，看一下我們是如何開展相關工作。

第一個是過程檢測，這部分屬于在整個鋰電過程中焊接耗的質量AI檢測包括密封電焊結合頂蓋焊接。這一塊是用AI和3D的方式混合檢測的最終做到零過篩或過篩在0.5%左右，已經批量使用了。這部分核心在于把一些像針孔比較難檢的缺陷通過AI和3D方式檢出來

第二個案例是電芯外觀用面的全檢，這塊本質上屬于終檢，終檢毫無疑問缺陷率檢查非常之多，基本有三四十種。而且因為最終檢，所有工藝都匯聚到這個點來，所以缺陷類型也非常之多。而且還需要對缺陷進行相應的分類。整體要求非常高，因為牽扯到出貨，如果檢測要求不嚴格的話，最終到下游客戶還是會有投訴的情況。

在這個過程中都有幾個難點和亮點:

1. 對缺陷進行精細化分類，如果做不到精細化分類，終檢基本不可行。因為哪怕都檢測出來了，但是沒辦法進行分類，缺陷的優先級和檢測度不一樣，最終會導致整體過檢率非常高。換句話說你設備整體良率非常之低，你的設備根本開不起來，或者產能根本上不去，所以需要對缺陷進行精細化分類。

2. 對小缺陷進行精細化摳取，這個也非常重要，否則就會產生漏檢風險。如果設備有比較大的漏檢風險，設備可用度依然比較低。

3. 多工位和多視覺的交互驗證，這塊也是比較大的難點。最終我們這塊做到了關鍵缺陷零過篩，一般缺陷會有小比例的可控的漏差，同時過篩率控制在3%左右，目前已經在頭部客戶做到相關的批量復制。