近年來,隨著生成式 AI 和機器視覺檢測的快速發展,為智慧 AOI 檢測注入了新的活力。本文將聚焦在智慧 AOI 檢測市場的發展現況與趨勢,並剖析其在智慧工廠巡檢與品質管控的應用場景,並關注生成式 AI 與機器視覺檢測所帶來的變革。
人工智慧(AI)浪潮席捲全球,製造業正經歷著前所未有的轉型。在追求更高效率、更高品質、更低成本的目標下,結合AI技術的智慧自動化光學檢測(AOI)已成為不可或缺的關鍵技術。
根據市場研究機構 MarketsandMarkets 的預測,全球 AOI 設備市場規模將從 2020 年的 5.5 億美元成長至 2025 年的 8.1 億美元,年複合成長率達 8.1%。其中,亞太地區由於電子製造業的蓬勃發展,預計將成為成長最快的市場。此外,由於生成式 AI 和機器視覺檢測的崛起,將進一步推動此市場的成長。
智慧AOI檢測的全球市場概況
而各個區域的發展則如下:
中國
作為全球製造業重鎮,中國對智慧 AOI 檢測的需求最為強勁,特別是中國政府持續推動「中國製造 2025」等政策,鼓勵製造業轉型升級,這為給予了智慧 AOI 檢測市場發展的長期利多。預計未來幾年,中國智慧 AOI 檢測市場將保持高速成長。
目前,智慧AOI檢測在中國的應用領域主要包括消費電子、半導體、顯示面板、汽車工業等,其他還有機械製造、食品飲料、醫藥和紡織。
美國
美國是全球科技創新中心,無論人工智慧、機器視覺,或者大數據技術,都是屬於領頭羊的角色,這也為該地區的智慧AOI檢測市場的發展奠定了堅實基礎。而目前美國也是全球最大的自動光學檢測市場之一,預計到2030年底,市場規模將達到729億美元,複合年增長率為13.6%,顯示美國對AOI技術的需求強勁。
近年來,美國出現製造業回流趨勢,這將增加對先進製造技術的需求,包括智慧AOI檢測。
智慧AOI檢測在美國的重點應用領域主要包括電子製造、半導體產業、航太、醫材和汽車工業等。
歐洲
歐洲是工業4.0的大本營,因此在推動智慧AOI檢測的發展上也是不遺餘力。
工業4.0強調設備互聯、數據分析和智能化,這與智慧AOI檢測的發展方向一致。因此在此一政策的引領下,將進一步刺激智慧AOI檢測市場的發展。
智慧AOI檢測在歐洲的重點應用領域主要包括:汽車工業、電子製造、半導體產業與醫療器材等。
日本
日本智慧AOI市場主要受電子製造業、汽車產業等驅動。隨著技術的進步和應用領域的擴大,預計市場規模將持續增長。另一方面,三維立體檢測的3D AOI、AI賦能和與其他設備的整合將成為未來發展的主要趨勢。
主要應用領域則以電子製造業、汽車產業、食品和醫藥產業為主,其他如金屬加工、紡織、印刷等產業,在日本的AOI應用也有舉足輕重的位置。
台灣
台灣擁有完整的電子產業供應鏈,並在半導體、面板等領域處於領先地位。因此隨著智慧製造的推進,台灣對智慧 AOI 檢測的需求也日益增加。尤其受到少子化和人口老化等因素的影響,也提高業者加速採用智慧AOI檢測的意願,以減少人力並提高產能。
台灣智慧AOI的應用領域相當廣泛,以下列出幾個主要的代表性業:電子與半導體產業、面板產業、PCB產業、金屬加工與機械產業,其他還有食品與醫藥產業、紡織產業。
![圖一 : 台灣的電子與半導體產業、PCB產業等,是智慧AOI的主要應用領域。](/art/2024/08/281518212670/p1S.JPG)
圖一 : 台灣的電子與半導體產業、PCB產業等,是智慧AOI的主要應用領域。 |
|
生成式 AI 的智慧機器視覺檢測
除了深度學習、大數據分析、雲端運算與邊緣運算等主流趨勢外,生成式 AI的崛起,正為智慧 AOI 檢測帶來新的突破。
生成式 AI 是一種能夠生成新的、原創內容的人工智慧技術,而這種技術除了可以用內容創作之外,對於需要影像資料的智慧檢測辨識來說,將能是一種有效縮減模型產生的時程的方法。
傳統上,要讓AOI學會辨識瑕疵,必須事前準備一定數量的瑕疵照片,藉此產生數據模型,有點像準備教材一樣。然而有些領域的瑕疵照片取得費時曠日或者成本龐大,例如水果植栽和半導體晶片,不僅花費時間,同時也會提高一定的生產成本。 而且就算好不容易訓練好了,換個新產品或出現新的瑕疵,AOI又得重頭學起。
現在有了生成式AI,檢驗者它可以自己生成出各種瑕疵的照片,讓智慧AOI在初期就能取得一定的數據資料,並藉此訓練出堪用的辨識模型,加速檢測設備在產線的上線時程,進而減少時間成本,同時也能加速量產。後續量產進行後,實際的影像資料也能再被利用,藉此進行優化與調教,讓檢測的品質更貼近真實的產品。
在智慧 AOI 檢測中,生成式 AI 可以應用於:
‧ 缺陷生成與擴增: 通過生成各種可能的缺陷圖像,擴增訓練數據集,提高模型的泛化能力和檢測準確率。
‧ 虛擬樣本生成: 生成各種產品的虛擬樣本,用於模型訓練和測試,降低開發成本和周期。
‧ 自動化報告生成: 根據檢測結果,自動生成詳細的檢測報告,提高工作效率。
不過值得注意的是.瑕疵數據的生成與採用仍是屬於輔助產線人員的目的,因此瑕疵的標註仍是需要專業人士來進行,而所生成的影像也必須要可為人類辨識才行。
表一:生成式AOI檢測與傳統AOI檢測比較表
特性
|
生成式AOI檢測
|
傳統AOI檢測
|
原理
|
基於深度學習模型,從大量數據中學習瑕疵特徵,具備自主學習和適應能力
|
依賴預先定義的規則和模板進行圖像比對,檢測已知瑕疵
|
範圍
|
適用於多樣化、複雜的瑕疵檢測,尤其擅長檢測未知或難以定義的瑕疵
|
適用於已知瑕疵的檢測,檢測標準明確、一致
|
準確度
|
檢測準確度高,尤其在複雜瑕疵和低對比度瑕疵檢測方面表現出色
|
檢測準確度較高,但易受光線、環境等因素影響,對未知瑕疵檢測能力有限
|
靈活性
|
靈活性高,可適應不同產品和生產線變化,無需頻繁調整參數
|
靈活性較低,需要根據不同產品和生產線調整參數,調整過程繁瑣
|
速度
|
檢測速度較快,可實現實時檢測
|
檢測速度較快,但複雜算法可能會影響檢測效率
|
維護成本
|
維護成本較低,模型可自主學習和更新
|
維護成本較高,需要定期調整參數和更新檢測程序
|
適用場景
|
適用於高精度、高靈活性要求的生產線,如電子產品、汽車零部件等
|
適用於標準化、大批量生產的產品檢測,如印刷電路板、面板等
|
生成式智慧機器視覺的軟硬體
而要導入生成式AI的AOI技術,在硬體方面,具備一定的運算能力可說是基礎條件。由於生成式AI模型的訓練和推理需要大量的計算資源,因此配備高效能的GPU或專用的AI加速器是不可或缺;而高解析度工業相機則是捕捉產品表面細微缺陷的眼睛;而機械手臂或傳送帶則負責產品的自動化定位和移動;另一方面,充足的儲存空間也是必備的,用於儲存大量的訓練數據、模型參數和檢測結果。
軟體方面,深度學習框架如TensorFlow、PyTorch等是構建和訓練生成式AI模型的基石;生成式AI模型庫如GAN、VAE等,則負責生成逼真的缺陷圖像或學習正常樣本的分布;圖像處理庫如OpenCV等,用於對圖像進行預處理、特徵提取和後處理。最後,AOI檢測軟體負責整合硬體設備、控制檢測流程、顯示檢測結果和生成報表。
除此之外,數據標註工具、模型優化工具以及雲端運算平台等,也可能在特定情況下派上用場。
值得注意的是,具體所需的軟硬體配置會根據檢測產品的複雜度、缺陷類型、檢測速度要求等因素而有所不同。因此,在選擇軟硬體設備時,建議諮詢專業的AOI系統整合商,以獲得最適合的解決方案,讓生成式AI在AOI檢測領域充分發揮其潛力。
生成式 AI 與機器視覺檢測的應用場景
生成式AI和機器視覺檢測的結合,為許多產業帶來了創新的應用場景,以下是幾個不同產業的應用案例:
製造業
製造業是台灣的重要經濟核心,除了全球聞名的半導體和電子業外,還有機械與各種加工製造。而對製造業來說,其工件的樣式繁多,且材質迥異,如要透過傳統的方式取得數據資料進行分析,經常需要一定的時間來訓練,但若使用生成式AI技術,則可在效率與實用度上大幅的提升,而其主要運用於以下:
‧ 瑕疵檢測與分類:生成式AI可以生成大量逼真的瑕疵圖像,用於訓練機器視覺模型,使其能夠更準確地檢測和分類產品表面的各種瑕疵,包括刮痕、凹痕、汙點、變形等。
‧ 產品外觀檢查:除了瑕疵檢測,生成式AI還可以幫助機器視覺系統檢查產品的外觀是否符合標準,例如顏色、形狀、尺寸等。
‧ 零件組裝驗證:在產品組裝過程中,機器視覺系統可以利用生成式AI生成的圖像來驗證零件是否正確組裝,以及是否存在缺失或錯誤安裝的零件。
‧ 製程監控與優化:通過分析生產線上的影像數據,生成式AI可以幫助識別潛在的生產問題,並提供優化建議,提高生產效率和產品品質。
![圖二 : 結合邊緣運算技術的智慧型工業鏡頭,圖為凌華的解決方案。](/art/2024/08/281518212670/p2S.JPG)
圖二 : 結合邊緣運算技術的智慧型工業鏡頭,圖為凌華的解決方案。 |
|
醫療領域
生成式AI能製作醫學影像,幫助醫生更準確診斷疾病。它也能輔助醫生進行手術,提高手術精確度。另外,它還能生成分子結構,加速新藥研發。
‧ 醫學影像分析:生成式AI可以生成各種醫學影像,例如X光片、CT掃描、MRI等,用於訓練機器視覺模型,使其能夠更準確地診斷疾病、識別腫瘤、評估治療效果等。
‧ 手術輔助:在手術過程中,機器視覺系統可以利用生成式AI生成的圖像來輔助醫生進行手術規劃、導航和操作,提高手術的精確度和安全性。
‧ 藥物研發:生成式AI可以生成大量的分子結構,用於篩選和設計新的藥物,加速藥物研發過程。
安防監控
除了做為產線上的檢測工具,生成式結合機器視覺也能用在監控上。透過AI技術,能學會分辨正常和異常行為,有助於提升安防監控。它也能生成人臉圖像,讓人臉識別和身份驗證更準確。
‧ 異常行為檢測:生成式AI可以學習正常行為的模式,並識別出偏離正常模式的異常行為,例如人群聚集、打架鬥毆、非法入侵等,提高安防監控的效率和準確度。
‧ 人臉識別與身份驗證:生成式AI可以生成各種人臉圖像,用於訓練機器視覺模型,使其能夠更準確地識別人臉和驗證身份,應用於門禁系統、考勤系統、安檢系統等。
其他領域
生成式AI也能廣泛運用在其他的場域上,例如交通與農業等。它能生成各種道路場景,讓自動駕駛更安全。它也能生成農作物圖像,幫助識別病蟲害。另外,它還能生成商品圖像,用於零售業的庫存管理和顧客行為分析。
‧ 自動駕駛:以生成各種道路場景和交通狀況的圖像,用於訓練自動駕駛系統,使其能夠更安全、更智能地應對各種複雜的路況。
‧ 智慧農業:生成各種農作物的圖像,用於訓練機器視覺模型,使其能夠識別病蟲害、評估作物生長狀況、優化灌溉和施肥等。
‧ 零售業:生成各種商品的圖像,用於訓練機器視覺模型,使其能夠識別商品、進行庫存管理、分析顧客行為等。
![圖三 : 生成式AI可以生成大量逼真的瑕疵圖像,用於訓練機器視覺模型。圖為思倢科技的AI檢測辨識系統。(source:思倢)](/art/2024/08/281518212670/p3S.JPG)
圖三 : 生成式AI可以生成大量逼真的瑕疵圖像,用於訓練機器視覺模型。圖為思倢科技的AI檢測辨識系統。(source:思倢) |
|
結語
智慧 AOI 檢測作為工業 4.0 時代的關鍵技術,正引領著製造業的轉型升級。在 AI、機器視覺、大數據等技術的推動下,特別是生成式 AI 和機器視覺檢測的崛起,智慧 AOI 檢測將不斷發展,為製造業帶來更高的效率、更優的品質和更低的成本。隨著各國政府政策的支持和市場需求的持續增加,智慧 AOI 檢測方案的導入範圍也將更加廣闊,並在智慧工廠巡檢與品質管控中發揮越來越重要的作用。