多年來，制造業已運用機器視覺（Machine Vision, MV）技術對生產制造的良率把關進行自動光學檢驗（Automated Optical Inspection, AOI），美中不足的是MV技術需要黃金樣本（GoldenSample）且差異容忍度有限，所幸近年來興起的AI（在此也指機器學習ML、深度學習DL）技術補強了MV的不足，不需高標模板且在檢測條件上有較大的寬忍，正逐漸成為制造業品管的新寵技術。

根據市場分析，全球工廠自動化市場預估在2020年至2025年間會有8.6%的年復合成長率（CAGR），而機器視覺方面也有6.1%成長率。在技術上，機器視覺確實從規則基礎轉向影像基礎，影像基礎指的正是AI/ML/DL技術。同時，品管檢驗的運算也從服務器端轉向邊緣端，以及有一些應用也開始從2D影像進階到3D影像；運算也從傳統個人計算機轉移到嵌入式計算機上。

機器視覺的市場趨勢（左）與技術趨勢（右）。

而受COVID-19疫情影響世界的運作也在改變，制造更重視在地化以減少運輸、缺料等風險；疫情也增強了電子商務銷售，制造端必須有所因應；疫情也影響制造支持服務，設備無法到場操作，只能遠程控制；疫情也影響差旅，只能透過遠程視訊溝通。

MV AOI vs AI CV

在制造業品管引入AI技術應用時，可能有許多制造業者會疑惑何時使用原有MV技術何時使用AI技術？由于傳統機器視覺難以定出精確的檢測規范，如瑕疵檢測、印刷電路板（PCB）打件等，或者過殺率（Over-Kill）過高的品管項目，是值得改加強投資AI技術，有助于提高生產質量。

深度學習可應用于表面瑕疵檢測

同時，AI技術也適合用于人員動作與安全規范的相關應用，運用姿態估測與分析技術，可強化生產效率與生產安全；另外具有視覺能力的低速工業自走車，或者是機器手臂等，也建議可用AI技術來增強其環境應對能力，使其在經常變動的廠區環境配置中、經常變動的制造工序中，仍能持續正確運作。

MV AOI vs AI CV主要差異比較

善用開源AI CV工具

對于制造業在品管把關上運用人工智能計算機視覺（AI CV）技術，可善用OpenCV、Intel OpenVINO等開源工具，不僅功能齊備同時有許多預先訓練好的模型與范例程序可供運用。

善用開源工具為制造品管把關

OpenCV與OpenVINO協作

如果覺得OpenCV、OpenVINO等需要下載與安裝過于繁瑣，也可使用云端版的開源工具Intel DevCloud，DevCloud同樣有許多現成范例應用，以制造業而言，即有焊接質量的分類，透過影像的識別能歸成三類：無、正常、不良。另也可以偵測廠區工作人員是否已正確配戴安全帽與背心，若無則會發出警訊。要提醒的是，若AI模型訓練不足或精準度不佳，也是可能出現漏偵測，例如明明工作人員未配戴安全帽進場卻未被偵測到。以下舉焊接質量的應用范例來進一步說明。

Intel DevCloud內建焊接良率檢測模型。

此范例程序在不同的運算系統配置下有不同的表現，其中以使用Intel Xeon Gold 6258R服務器等級處理器的系統表現最佳，不僅AI推論的處理時間最短，相同時間內也可以處理最多張的影像（Frame Per Second, FPS）。

其他的配置也包含使用初階服務器處理器Xeon E3-1268L，或使用個人計算機處理器Core i5-6500TE搭配GPU、或同樣使用Core i5-6500TE但搭配Intel NCS2 VPU，或使用更初階的Atom x7-E3950搭配GPU等。

不同系統執行Intel DevCloud焊接良率檢視推論的效能比較。

小結

AI技術在制造品管應用上想要落地，仍有不少挑戰，首先是數據集不易建置，特別是在不良品的數量極少，或不同類型的樣本數高度不均時；其次是AI的訓練結果不得低于傳統MV算法，否則失去使用價值。

此外，在模型布署上，即便將訓練好的模型布建到相同機種的不同機臺上，其推論準確性也會有所差異；要定期加入新的不良品數據集、重新訓練AI模型，但新訓練成的模型，必須保證對新舊不良品都有一致的檢測能力，言下之意模型可能因新增的數據而對過往的數據產生分析（推論）的偏差。

若要權衡新技術（在此指導入AI技術）的投資成本與檢測性價比，AI相較于傳統MV技術較不要求樣本、燈光，但卻需要較多的數據量與運算力，其技術投資合算性需要事先審慎估算。

最后，目前制造品管的AI應用仍多倚賴人為介入的監督式學習，仍需要投入關注心力，而最終極目標是能實行非監督式學習，讓AI自行找出瑕疵處、瑕疵品，然這仍有待發展努力。

審核編輯 ：李倩