AI 要能發(fā)揮價值、創(chuàng)造效益，落地到行業(yè)里頭是關(guān)鍵，相較于營銷廣告、安防、新零售等，工業(yè)領(lǐng)域更像是一片藍海，目前在 AI 與工業(yè)的結(jié)合，多提到大數(shù)據(jù)優(yōu)化生產(chǎn)排程、監(jiān)控零部件或機臺設(shè)備運作以及故障預(yù)警等，還有一個領(lǐng)域也有不少研究及進展，就是生產(chǎn)過程中的瑕疵檢測，包括線路瑕疵、外觀瑕疵等。

制造行業(yè)強調(diào)品質(zhì)控管，把產(chǎn)品出貨給客戶前，必須確保其功能正常，一旦檢測出錯，會導(dǎo)致很大商業(yè)的損失，除了靠人力檢驗之外，在生產(chǎn)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(shè)備已經(jīng)行之有年，旨在通過高精度攝像頭、機器視覺技術(shù)等，抓出有瑕疵或缺陷的產(chǎn)品，像是金屬零部件制造廠通過 AOI 設(shè)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(yè)，像是 PCB、PCBA 電路板、Wafer 晶圓及面板行業(yè)采用的比例也非常高。

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

國內(nèi)的檢測設(shè)備商像是東旭光電、惠州高視科技、神州視覺科技、力德創(chuàng)（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(shè)備、玻璃邊緣檢查機等高端裝備，主要應(yīng)用于 OLED 面板產(chǎn)線的缺陷檢測。而惠州高視科技的設(shè)備也應(yīng)用于面板行業(yè)，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(xiàn)新的技術(shù)演變，從傳統(tǒng)的 AOI 轉(zhuǎn)向與 AI 結(jié)合，不少初創(chuàng)公司開發(fā)用以檢測元件瑕疵的 AI 軟件，或與 AOI、AVI 設(shè)備結(jié)合使用。另一方面，檢測設(shè)備商也通過 AI 技術(shù)優(yōu)化 AOI 設(shè)備的準確度。

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

另外，去年中，阿里云 ET 工業(yè)大腦提出 AI 視覺產(chǎn)品“見遠“，其中就有 AI 質(zhì)檢員方案，當時阿里云指出，在電池片瑕疵檢測領(lǐng)域，“見遠”的識別準確度達 95%，節(jié)省人力率比為每 33 個人節(jié)省 1 人。通過深度學習和圖像識別算法，阿里云 ET 工業(yè)大腦集中學習了 40000 多張樣片，將圖像轉(zhuǎn)換為機器能讀懂的二進制語言，能讓質(zhì)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(xiàn)單、多晶電池片電致發(fā)光（EL，electroluminescence）缺陷的毫秒級自動判定。

在創(chuàng)業(yè)公司部分，源自于清華大學 AI 研究院的產(chǎn)學研結(jié)合技術(shù)公司—瑞萊智慧（RealAI）鎖定工業(yè)三個領(lǐng)域：工業(yè)視覺檢測、預(yù)測性維護、工藝優(yōu)化，其中已通過計算機視覺的手段，開發(fā)光伏面板 EL 缺陷自動檢測算法。

中國已是工業(yè)制造大國，一直以持續(xù)提升制造的品質(zhì)及效率為目標，瑕疵檢測邁向 AI 化，也可望對國內(nèi)制造業(yè)帶來新的契機。

圖：阿里云 ET 工業(yè)大腦的“見遠“，可做瑕疵檢測（來源：阿里云）

傳統(tǒng) AOI 與 AI 瑕疵檢測

談?wù)撹Υ脵z測 AI 之前，有必要先了解 AOI，其核心技術(shù)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(shè)備

機構(gòu)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(tǒng)計分析、數(shù)據(jù)處理

廣義的 AOI 設(shè)備是結(jié)合光學、訊號處理系統(tǒng)和分析軟件，可應(yīng)用在生物醫(yī)學、指紋比對、品質(zhì)檢測等方面；狹義的 AOI 多是指應(yīng)用在工業(yè)上，利用高精度攝像頭拍攝產(chǎn)線上的產(chǎn)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(yè)人士對 DeepTech 表示，目前 PCB 瑕疵檢測設(shè)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(fù)站（VRS，Verify Repair Station），將 PCB 圖像放大數(shù)百倍顯示在屏幕上讓操作人員確認。而往往造成設(shè)備誤報的原因還不少，包括產(chǎn)品色差不同、環(huán)境光源、算法能力、攝像頭等級等。

同時，各行業(yè)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(chǎn)則是在“黃光站”，想要解決這些問題，非常需要與行業(yè)專業(yè)知識（domain knowhow）深度配合。

其次，傳統(tǒng)的 AOI、AVI 設(shè)備通常適用于檢查二維平面結(jié)構(gòu)的產(chǎn)品，所以這也是為什么 PCB、面板行業(yè)導(dǎo)入的比例很高，后續(xù)有部分 AOI 業(yè)者開始推出三維檢測，但系統(tǒng)檢測的時間拉長。此外，AOI 設(shè)備價格相對昂貴等也是一個問題。

對比傳統(tǒng)模式，AI 瑕疵檢測有三大優(yōu)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(dǎo)體檢測設(shè)備多是偵測瑕疵，鮮少將其分類，但不同瑕疵類別產(chǎn)線會產(chǎn)生不同程度的嚴重性，尤其是 Defect Type 1 為極重大瑕疵，一旦發(fā)生就要停機檢查，時間可能長達 2～3 天，影響產(chǎn)能，目前半導(dǎo)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(xù)可以進一步診斷瑕疵出現(xiàn)的原因，但此部分必須跟生產(chǎn)機臺數(shù)據(jù)串接，屬于較長期的發(fā)展方向。

圖：PCB 行業(yè)使用 AI 執(zhí)行瑕疵檢測（來源：***工研院）

痛點明確，電子行業(yè)陸續(xù)導(dǎo)入

訓練一個檢測產(chǎn)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(qū)域（ROI），這會經(jīng)過多個處理程序包括圖像的灰度、型態(tài)轉(zhuǎn)化如腐蝕（eroding）、膨脹（dilating）等，最后勾勒出 ROI 區(qū)域，并利用深度學習算法如 CNN，在 ROI 區(qū)域偵測瑕疵。數(shù)據(jù)則包括眾多有標記出缺陷的獨特圖像、以及標記為正常產(chǎn)品的圖像，來進行監(jiān)督式學習。也有人使用端到端的深度學習架構(gòu)，以深度學習來預(yù)測 ROI，而非計算機視覺。使用帶有標注的數(shù)據(jù)集來訓練可預(yù)測 ROI 的架構(gòu)，不過標注的數(shù)據(jù)集必須明確且足夠廣泛。

適用于 AI 檢測產(chǎn)品瑕疵的制造行業(yè)其實非常廣，包括食品、金屬部件、汽車金屬軸件、電子業(yè)等，電子業(yè)已經(jīng)有不少企業(yè)導(dǎo)入，像是***知名的 DRAM 大廠就導(dǎo)入了***工研院開發(fā)的 AI 檢測方案。

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

而國內(nèi)的 RealAI 則是鎖定光伏行業(yè)，他們開發(fā)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(chǎn)生干擾。同時，不僅缺陷的種類較多，同一種缺陷的形態(tài)也變化多端，RealAI 通過使用自主研發(fā)的缺陷檢測模型，并引入相關(guān)領(lǐng)域知識，開發(fā)出 EL 缺陷自動檢測算法，已經(jīng)在多家光伏組件頭部制造廠商試用。

圖：RealAI 重點關(guān)注無監(jiān)督、半監(jiān)督學習、小樣本機器學習等場景（來源：RealAI 網(wǎng)站）

2019 年將是 AI 快速落地工業(yè)制造領(lǐng)域的一年

先前 AI 落地安防、新零售、醫(yī)療等的討論較多，但其實在工業(yè)上也可發(fā)揮很大的效用，目前哪些領(lǐng)域應(yīng)用的比較多，或是企業(yè)接受度較高？田天指出，目前在“缺陷檢測”和“預(yù)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(lǐng)域為客戶痛點，能直接為客戶節(jié)省大量的費用。預(yù)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(chǎn)至關(guān)重要。

對于 2019 年人工智能在工業(yè)制造領(lǐng)域的發(fā)展，他認為將是快速發(fā)展以及各種技術(shù)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(yè)示范效應(yīng)，過去 10 年間，AI 領(lǐng)域開發(fā)了大量優(yōu)秀算法，為實際應(yīng)用儲備了大量的工具。近年來，人工智能開始大規(guī)模應(yīng)用于金融和互聯(lián)網(wǎng)等領(lǐng)域，起到了較好的示范效應(yīng)。

同時，經(jīng)過此前工業(yè)數(shù)字化轉(zhuǎn)型，目前工業(yè)領(lǐng)域中已經(jīng)廣泛使用傳感器等設(shè)備，且積累了大量的數(shù)據(jù)，為人工智能應(yīng)用提供了堅實的基礎(chǔ)。

再來就是政策方面，國家快速推進工業(yè)互聯(lián)網(wǎng)的發(fā)展，并鼓勵企業(yè)進行智能化轉(zhuǎn)型。隨著社會對人工智能的逐漸熟悉與接受，工業(yè)領(lǐng)域的大量企業(yè)開始尋求使用人工智能深度結(jié)合領(lǐng)域知識，切實解決領(lǐng)域內(nèi)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(shù)儲備；工業(yè)領(lǐng)域具有大量的數(shù)據(jù)積累，且普及應(yīng)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(shù)在工業(yè)制造領(lǐng)域中快速發(fā)展與落地的一年。

缺少數(shù)據(jù)的工業(yè)制造領(lǐng)域，邁向非監(jiān)督學習 AI

除了行業(yè)需求外，在技術(shù)方面則有一個非常值得關(guān)注的發(fā)展趨勢，也就是非監(jiān)督式學習也逐漸走進工業(yè)領(lǐng)域。這一波的 AI 浪潮始于視覺任務(wù)展現(xiàn)了很大的進展，通過標注數(shù)據(jù)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(shù)據(jù)來訓練，不過，瑕疵數(shù)據(jù)量是否收集足夠就成了挑戰(zhàn)。另外，如果出現(xiàn)不曾被標注訓練過的瑕疵，系統(tǒng)是否能發(fā)現(xiàn)，也是一個問題。

這也就是 RealAI 發(fā)展無監(jiān)督學習 AI 的原因，田天說，“在工業(yè)應(yīng)用領(lǐng)域，收集高質(zhì)量訓練數(shù)據(jù)的過程往往成本高昂，且耗費時間，如果采用無監(jiān)督或者半監(jiān)督的學習方法，就能有效降低訓練數(shù)據(jù)需求，針對碎片化的工業(yè)視覺檢測場景具有更廣的應(yīng)用前景”。在沒有訓練數(shù)據(jù)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(shù)據(jù)，進而在出現(xiàn)異常數(shù)據(jù)或者變化時能夠做出準確判斷。

比如，RealAI 自研的無監(jiān)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(shù)據(jù)噪音大，且沒有標注，他們利用無監(jiān)督算法，成功預(yù)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(jiān)督學習方法解決了卷煙機和包裝機預(yù)測性維護問題。“在許多缺少或沒有訓練數(shù)據(jù)的領(lǐng)域，無監(jiān)督學習是唯一可用的選擇，”他說。