AI 要能發揮價值、創造效益，落地到行業里頭是關鍵，相較于營銷廣告、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。

制造行業強調品質控管，把產品出貨給客戶前，必須確保其功能正常，一旦檢測出錯，會導致很大商業的損失，除了靠人力檢驗之外，在生產過程中，使用非接觸式的自動光學檢測（AOI，Automated Optical Inspection）或自動視覺檢測（AVI，Automated Visual Inspection）設備已經行之有年，旨在通過高精度攝像頭、機器視覺技術等，抓出有瑕疵或缺陷的產品，像是金屬零部件制造廠通過 AOI 設備來檢測金屬扣件、螺絲是否光滑、有無細微裂縫等，自動化程度相對較高的電子業，像是 PCB、PCBA 電路板、Wafer 晶圓及面板行業采用的比例也非常高。

以電子業來說，市占率較高的設備檢測商首推以色列公司奧寶（orbotech），在 PCB、面板領域有很高的市占率，不過，美國的半導體檢測設備大廠科磊（KLA-Tencor）在去年 3 月收購了奧寶，擴大服務范疇。其他知名的公司還有像是美國的 Rudolph Technologies、日本 Takano 等。

國內的檢測設備商像是東旭光電、惠州高視科技、神州視覺科技、力德創（LeadAOI）等。去年，東旭光電與京東方簽訂近 7000 萬人民幣的裝備訂單，包括宏觀及微觀缺陷檢測設備、玻璃邊緣檢查機等高端裝備，主要應用于 OLED 面板產線的缺陷檢測。而惠州高視科技的設備也應用于面板行業，進行屏幕的缺陷檢測，客戶包括京東方、華星光電、歐菲光等。

隨著近年深度學習的興起，瑕疵檢測也出現新的技術演變，從傳統的 AOI 轉向與 AI 結合，不少初創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。另一方面，檢測設備商也通過 AI 技術優化 AOI 設備的準確度。

圖|硅谷公司 Instrumental 專攻 AI 瑕疵檢測市場（來源：Instrumental 網站）

另外，去年中，阿里云 ET 工業大腦提出 AI 視覺產品“見遠“，其中就有 AI 質檢員方案，當時阿里云指出，在電池片瑕疵檢測領域，“見遠”的識別準確度達 95%，節省人力率比為每 33 個人節省 1 人。通過深度學習和圖像識別算法，阿里云 ET 工業大腦集中學習了 40000 多張樣片，將圖像轉換為機器能讀懂的二進制語言，能讓質檢機器實時、自動判斷電池片的缺陷。并與光伏公司浙江正泰合作，通過“見遠“實現單、多晶電池片電致發光（EL，electroluminescence）缺陷的毫秒級自動判定。

在創業公司部分，源自于清華大學 AI 研究院的產學研結合技術公司—瑞萊智慧（RealAI）鎖定工業三個領域：工業視覺檢測、預測性維護、工藝優化，其中已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。

中國已是工業制造大國，一直以持續提升制造的品質及效率為目標，瑕疵檢測邁向 AI 化，也可望對國內制造業帶來新的契機。

圖：阿里云 ET 工業大腦的“見遠“，可做瑕疵檢測（來源：阿里云）

傳統 AOI 與 AI 瑕疵檢測

談論瑕疵檢測 AI 之前，有必要先了解 AOI，其核心技術大致有四塊：

光學光源：取像元件、感光模組、光學鏡頭、光源照明設備

機構控制：可程序邏輯控制器、PC-Base 控制主機單芯片控制板

影像處理：邊緣偵測、圖像匹配、特征偵測、攝像頭校正等

分析軟件：統計分析、數據處理

廣義的 AOI 設備是結合光學、訊號處理系統和分析軟件，可應用在生物醫學、指紋比對、品質檢測等方面；狹義的 AOI 多是指應用在工業上，利用高精度攝像頭拍攝產線上的產品，查看是否有瑕疵。

不過，以往的 AOI 檢測常見幾個遭詬病的問題，首先是誤報率（False Alarm）過高，行業人士對 DeepTech 表示，目前 PCB 瑕疵檢測設備的誤判率甚至高達 5 成，需再透過大量人力搭配后端驗證修復站（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。而往往造成設備誤報的原因還不少，包括產品色差不同、環境光源、算法能力、攝像頭等級等。

同時，各行業遇到的檢測瓶頸也不同，像是 PCB 遇到的瓶頸主要在“終檢站”；晶圓生產則是在“黃光站”，想要解決這些問題，非常需要與行業專業知識（domain knowhow）深度配合。

其次，傳統的 AOI、AVI 設備通常適用于檢查二維平面結構的產品，所以這也是為什么 PCB、面板行業導入的比例很高，后續有部分 AOI 業者開始推出三維檢測，但系統檢測的時間拉長。此外，AOI 設備價格相對昂貴等也是一個問題。

對比傳統模式，AI 瑕疵檢測有三大優勢：第一也是最重要的是準確率提升，當誤判率下降后，就不用像過去一樣雇用許多人力來進行二次確認。第二則是檢測速度變快，而且可分類缺陷，舉例來說，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，通過 AI 有助于降低瑕疵分類的時間。第三則是后續可以進一步診斷瑕疵出現的原因，但此部分必須跟生產機臺數據串接，屬于較長期的發展方向。

圖：PCB 行業使用 AI 執行瑕疵檢測（來源：***工研院）

痛點明確，電子行業陸續導入

訓練一個檢測產品瑕疵的 AI，做法像是使用計算機視覺＋深度學習，從原始圖像中提取感興趣區域（ROI），這會經過多個處理程序包括圖像的灰度、型態轉化如腐蝕（eroding）、膨脹（dilating）等，最后勾勒出 ROI 區域，并利用深度學習算法如 CNN，在 ROI 區域偵測瑕疵。數據則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。也有人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。使用帶有標注的數據集來訓練可預測 ROI 的架構，不過標注的數據集必須明確且足夠廣泛。

適用于 AI 檢測產品瑕疵的制造行業其實非常廣，包括食品、金屬部件、汽車金屬軸件、電子業等，電子業已經有不少企業導入，像是***知名的 DRAM 大廠就導入了***工研院開發的 AI 檢測方案。

另外，印刷電路板業者欣興電子不久前也表示，已經在生產線導入 AI 進行瑕疵檢測，并且產品檢測效率提升了 70%。欣興電子指出，過去生產線采用 AVI 設備檢測瑕疵，但檢測的結果常受到產品色差、高度等因素影響，還得加派 11～15% 的人力來復檢。目前他們結合了深度學習和 AVI 設備，原本所有產品都需人工復檢，現在只剩其中 30% 需再次人工檢查，大幅提高了效率。

而國內的 RealAI 則是鎖定光伏行業，他們開發光伏面板 EL 缺陷自動檢測算法，通過計算機視覺的手段，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。

RealAI CEO 田天在接受 DeepTech 采訪時表示，這一問題的難點主要在于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，RealAI 通過使用自主研發的缺陷檢測模型，并引入相關領域知識，開發出 EL 缺陷自動檢測算法，已經在多家光伏組件頭部制造廠商試用。

圖：RealAI 重點關注無監督、半監督學習、小樣本機器學習等場景（來源：RealAI 網站）

2019 年將是 AI 快速落地工業制造領域的一年

先前 AI 落地安防、新零售、醫療等的討論較多，但其實在工業上也可發揮很大的效用，目前哪些領域應用的比較多，或是企業接受度較高？田天指出，目前在“缺陷檢測”和“預測性維護”兩大方面客戶接受度和需求較高，主要是因為該領域為客戶痛點，能直接為客戶節省大量的費用。預測性維護也有利于避免重大事故，對于安全制造和安全生產至關重要。

對于 2019 年人工智能在工業制造領域的發展，他認為將是快速發展以及各種技術落地的一年，主要來到了三方面時機點的良好交會：首先是已積累大量算法及行業示范效應，過去 10 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，人工智能開始大規模應用于金融和互聯網等領域，起到了較好的示范效應。

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，且積累了大量的數據，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，并鼓勵企業進行智能化轉型。隨著社會對人工智能的逐漸熟悉與接受，工業領域的大量企業開始尋求使用人工智能深度結合領域知識，切實解決領域內的問題。

因此，在人工智能具有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，且普及應用傳感器；國家層面在政策上大力支持，他看好 2019 年都會是人工智能技術在工業制造領域中快速發展與落地的一年。

缺少數據的工業制造領域，邁向非監督學習 AI

除了行業需求外，在技術方面則有一個非常值得關注的發展趨勢，也就是非監督式學習也逐漸走進工業領域。這一波的 AI 浪潮始于視覺任務展現了很大的進展，通過標注數據來訓練出識別、分類的 AI，就像前述的 AI 瑕疵檢測，同樣利用有標注瑕疵的圖像數據來訓練，不過，瑕疵數據量是否收集足夠就成了挑戰。另外，如果出現不曾被標注訓練過的瑕疵，系統是否能發現，也是一個問題。

這也就是 RealAI 發展無監督學習 AI 的原因，田天說，“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，如果采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，可以考慮采用異常檢測、或者變化檢測等方法，讓機器學會什么是正常的數據，進而在出現異常數據或者變化時能夠做出準確判斷。

比如，RealAI 自研的無監督算法就成功運用于石油管線故障檢測問題。在這一問題中，信號數據噪音大，且沒有標注，他們利用無監督算法，成功預測出存在缺陷的管線位置，并且已交付使用。此外，也利用無監督學習方法解決了卷煙機和包裝機預測性維護問題?！霸谠S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，”他說。