機器視覺近年來發展加速,應用領域也快速拓展,相較於人眼,機器視覺對環境的適應力更佳,包括高溫、寒冷,甚至是真空等人類難以適應的惡劣環境,機器視覺都可正常運作,再加上現在產線移動速度越來越快,產品體積漸趨精細,人眼已難分辨細小瑕疵。
![圖1 : AI已是機器視覺的既定趨勢,多數軟硬體廠商都已投入研發,新產品也不斷問世,未來發展值得期待。(source: Electronics Sourcing)](/art/2019/10/011457361180/p1S.JPG)
圖1 : AI已是機器視覺的既定趨勢,多數軟硬體廠商都已投入研發,新產品也不斷問世,未來發展值得期待。(source: Electronics Sourcing) |
|
在此情況下,在科技、食品…等製造業中,機器視覺已逐漸取代人力,成為品管檢測的主要技術,近年來智慧化成為全球製造業的重要趨勢,機器視覺也迅速與AI結合,提供業者更快速、精準且具彈性的視覺檢測方案。
從應用面來看,機器視覺在製程上包括檢視(Inspection)、導引(Guidance)、控制(Control)、識別(Identification)和物料搬送(Material Handling)等四大應用面向方面,其族群則為產業機器設備製造商、系統整合商與企業用戶。
工業4.0驅動市場改變
至於產品類型則有分別是PC-Based以及單機兩種架構,PC-Based的使用者大多需要具備程式能力,前段影像擷取的部份可由硬體工程師進行整合,軟體的部份需具有程式能力的軟體工程是進行系統的開發與設計,其開發時程較長,適用於有獨特需求、並具備軟體開發能力的使用者。
至於單機式架構則訴求簡易操作、快速上手,上述的三大使用族群各有不同的技術背景與需求,如企業用戶多要求簡單易操作、多功能合一的單機型設備,較不熟稔專業程式設計的影像工程師,只需要對機器視覺有一定程度的概念與實務經驗,即可透過套裝軟體完成單機型設備參數的設定。換句話說,因應不同的需求,機器視覺有不同的作法以及客戶群,各有其優勢與特點來滿足多元的應用。
![圖2 : 在科技、食品…等製造業中,機器視覺已逐漸取代人力,成為品管檢測的主要技術。(source: Applied Controls)](/art/2019/10/011457361180/p2S.JPG)
圖2 : 在科技、食品…等製造業中,機器視覺已逐漸取代人力,成為品管檢測的主要技術。(source: Applied Controls) |
|
不過,儘管架構不同,但在近年來的AI化趨勢下,機器視覺的軟體平台都必須走向高專業與精簡設計,以利於製造業者提高生產線效率,並縮短人才的培育時間。
就如前文所敘述,過去常用的人力檢測已難因應現在產線需求,人眼除了會因工作時間的拉長導致品質下降外,越來越快的生產速度與部分小體積產品,人眼也難以負荷,因此AOI現已成為產線檢測主流技術,透過高解析工業相機與高效能影像軟體,強化製程的檢測效率。
過去消費市場主要為少樣多量的型態,因此產線均設計為大批量生產,在建置前階段就將所有的環節緊密嵌合在一起,以最小的變動設計出最精簡的製程,以最快速生產模式創造出最大效益,不過工業4.0趨勢到來,徹底顛覆了製造思維。工業4.0是終端市場的需求為導向,透過客製化生產快速滿足市場需求,其最終目標是即便產線只生產一件產品也能獲利,因此彈性化成為新世代產線必須,包括AOI在內的產線設備都面臨變革。
在過去的產線中,AOI檢測的導入雖然繁複,不過只要在產線設置前期設定完成,後期即便需要更動頻率也不高,因此對製造業者而言負擔並不沉重,不過在多樣化生產需求浮現後,彈性化成為新世代產線必要的設計,可快速設定並有自我學習能力的AI逐漸被應用在產線視覺檢測。
AI解決方案不斷問世
相較於其他應用,影像是目前AI發展最快的領域,透過機器學習演算法快速識別影像的做法,已被廣泛應用於交通、建築系統,其辨識率更可達到95%,此辨識率在上述領域雖已足夠,但在產線辨識仍然不足。
現在手機上的Face ID或門禁系統的臉孔辨識,其辨識影像數據量龐大且被辨識物的背景單純,設備要辨識相對容易,而且使用者對失敗的容許度較高。產線辨識則會直接影響出貨良率,對錯誤容許度極低,而且被辨識的物件影像數據少、其背景複雜,因此其AI演算法不能一體適用,必須重新設計。
![圖3 : 相較於其他應用,影像是目前AI發展最快的領域。(source: SEMI)](/art/2019/10/011457361180/p3S.JPG)
圖3 : 相較於其他應用,影像是目前AI發展最快的領域。(source: SEMI) |
|
除了演算法之外,硬體成本是另一個問題。現在AI的主要運算單元是GPU,一般產線上的檢測,必須拍攝到物件的上下左右共六個面向,因此其系統必須架設六組工業相機,而每組工業相機又都需要搭配一張GPU顯示卡作為運算,加總起來的設備成本非常高昂。此外,現在市面上的GPU多為消費性產品所設計,其產品供貨期偏短,難以滿足需要長期使用的工業系統,一旦GPU供應商斷貨,關鍵零組件就難以為繼,原有零組件一旦故障,設備就有可能必須因此停擺,造成龐大的損失。
為解決此問題,機器視覺廠商必須選用符合工規標準的GPU產品,現已有廠商推出長期供貨的GPU,解決後續的維修問題。至於多GPU問題,NVIDIA也有可以外接型態運作的產品,可在一部工業電腦上外接六組GPU,其效能與過去的 六部電腦一致,不但大幅降低了設備的購置成本,也有效縮減產線空間並提升設備維修效率,且效率大幅增加,過去需要數天的前端AI訓練,導入後僅需數小時,效益提升了30倍以上,實際上線後,也將原來一秒多的運算時間最快縮短到5毫秒。
整體而言,AI已是機器視覺的既定趨勢,雖然目前軟硬體技術都已堪使用,不過製造現場的環境複雜,且各製造業者的需求不一,因此在實際應用時仍需不斷調校。至於在供應面,由於AI機器視覺的市場龐大且需求明確,因此多數軟硬體廠商都已投入研發,新產品也不斷問世,未來發展值得期待。