AI 要能發(fā)揮價(jià)值、創(chuàng)造效益，落地到行業(yè)里頭是關(guān)鍵，相較于營(yíng)銷廣告、安防、新零售等，工業(yè)領(lǐng)域更像是一片藍(lán)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(jī)臺(tái)設(shè)備運(yùn)作以及故障預(yù)警等，還有一個(gè)領(lǐng)域也有不少研究及進(jìn)展，就是生產(chǎn)過(guò)程中的瑕疵檢測(cè)，包括線路瑕疵、外觀瑕疵等。

制造行業(yè)強(qiáng)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(cè)出錯(cuò)，會(huì)導(dǎo)致很大商業(yè)的損失，除了靠人力檢驗(yàn)之外，在生產(chǎn)過(guò)程中，使用非接觸式的自動(dòng)光學(xué)檢測(cè)（AOI，Automated Optical Inspection）或自動(dòng)視覺(jué)檢測(cè)（AVI，Automated Visual Inspection）設(shè)備已經(jīng)行之有年，旨在通過(guò)高精度攝像頭、機(jī)器視覺(jué)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(guò) AOI 設(shè)備來(lái)檢測(cè)金屬扣件、螺絲是否光滑、有無(wú)細(xì)微裂縫等，自動(dòng)化程度相對(duì)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(lái)說(shuō)，市占率較高的設(shè)備檢測(cè)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(guò)，美國(guó)的半導(dǎo)體檢測(cè)設(shè)備大廠科磊（KLA-Tencor）在去年 3 月收購(gòu)了奧寶，擴(kuò)大服務(wù)范疇。其他知名的公司還有像是美國(guó)的 Rudolph Technologies、日本 Takano 等。

國(guó)內(nèi)的檢測(cè)設(shè)備商像是東旭光電、惠州高視科技、神州視覺(jué)科技、力德創(chuàng)（LeadAOI）等。去年，東旭光電與京東方簽訂近 7000 萬(wàn)人民幣的裝備訂單，包括宏觀及微觀缺陷檢測(cè)設(shè)備、玻璃邊緣檢查機(jī)等高端裝備，主要應(yīng)用于 OLED 面板產(chǎn)線的缺陷檢測(cè)。而惠州高視科技的設(shè)備也應(yīng)用于面板行業(yè)，進(jìn)行屏幕的缺陷檢測(cè)，客戶包括京東方、華星光電、歐菲光等。

隨著近年深度學(xué)習(xí)的興起，瑕疵檢測(cè)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(kāi)發(fā)用以檢測(cè)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(cè)設(shè)備商也通過(guò) AI 技術(shù)優(yōu)化 AOI 設(shè)備的準(zhǔn)確度。

圖|硅谷公司 Instrumental 專攻 AI 瑕疵檢測(cè)市場(chǎng)（來(lái)源：Instrumental 網(wǎng)站）

另外，去年中，阿里云 ET 工業(yè)大腦提出 AI 視覺(jué)產(chǎn)品“見(jiàn)遠(yuǎn)“，其中就有 AI 質(zhì)檢員方案，當(dāng)時(shí)阿里云指出，在電池片瑕疵檢測(cè)領(lǐng)域，“見(jiàn)遠(yuǎn)”的識(shí)別準(zhǔn)確度達(dá) 95%，節(jié)省人力率比為每 33 個(gè)人節(jié)省 1 人。通過(guò)深度學(xué)習(xí)和圖像識(shí)別算法，阿里云 ET 工業(yè)大腦集中學(xué)習(xí)了 40000 多張樣片，將圖像轉(zhuǎn)換為機(jī)器能讀懂的二進(jìn)制語(yǔ)言，能讓質(zhì)檢機(jī)器實(shí)時(shí)、自動(dòng)判斷電池片的缺陷。并與光伏公司浙江正泰合作，通過(guò)“見(jiàn)遠(yuǎn)“實(shí)現(xiàn)單、多晶電池片電致發(fā)光（EL，electroluminescence）缺陷的毫秒級(jí)自動(dòng)判定。

在創(chuàng)業(yè)公司部分，源自于清華大學(xué) AI 研究院的產(chǎn)學(xué)研結(jié)合技術(shù)公司—瑞萊智慧（RealAI）鎖定工業(yè)三個(gè)領(lǐng)域：工業(yè)視覺(jué)檢測(cè)、預(yù)測(cè)性維護(hù)、工藝優(yōu)化，其中已通過(guò)計(jì)算機(jī)視覺(jué)的手段，開(kāi)發(fā)光伏面板 EL 缺陷自動(dòng)檢測(cè)算法。

中國(guó)已是工業(yè)制造大國(guó)，一直以持續(xù)提升制造的品質(zhì)及效率為目標(biāo)，瑕疵檢測(cè)邁向 AI 化，也可望對(duì)國(guó)內(nèi)制造業(yè)帶來(lái)新的契機(jī)。

圖：阿里云 ET 工業(yè)大腦的“見(jiàn)遠(yuǎn)“，可做瑕疵檢測(cè)（來(lái)源：阿里云）

傳統(tǒng) AOI 與 AI 瑕疵檢測(cè)

談?wù)撹Υ脵z測(cè) AI 之前，有必要先了解 AOI，其核心技術(shù)大致有四塊：

光學(xué)光源：取像元件、感光模組、光學(xué)鏡頭、光源照明設(shè)備

機(jī)構(gòu)控制：可程序邏輯控制器、PC-Base 控制主機(jī)單芯片控制板

影像處理：邊緣偵測(cè)、圖像匹配、特征偵測(cè)、攝像頭校正等

分析軟件：統(tǒng)計(jì)分析、數(shù)據(jù)處理

廣義的 AOI 設(shè)備是結(jié)合光學(xué)、訊號(hào)處理系統(tǒng)和分析軟件，可應(yīng)用在生物醫(yī)學(xué)、指紋比對(duì)、品質(zhì)檢測(cè)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(guò)，以往的 AOI 檢測(cè)常見(jiàn)幾個(gè)遭詬病的問(wèn)題，首先是誤報(bào)率（False Alarm）過(guò)高，行業(yè)人士對(duì) DeepTech 表示，目前 PCB 瑕疵檢測(cè)設(shè)備的誤判率甚至高達(dá) 5 成，需再透過(guò)大量人力搭配后端驗(yàn)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(rèn)。而往往造成設(shè)備誤報(bào)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(jí)等。

同時(shí)，各行業(yè)遇到的檢測(cè)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(wèn)題，非常需要與行業(yè)專業(yè)知識(shí)（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(kāi)始推出三維檢測(cè)，但系統(tǒng)檢測(cè)的時(shí)間拉長(zhǎng)。此外，AOI 設(shè)備價(jià)格相對(duì)昂貴等也是一個(gè)問(wèn)題。

對(duì)比傳統(tǒng)模式，AI 瑕疵檢測(cè)有三大優(yōu)勢(shì)：第一也是最重要的是準(zhǔn)確率提升，當(dāng)誤判率下降后，就不用像過(guò)去一樣雇用許多人力來(lái)進(jìn)行二次確認(rèn)。第二則是檢測(cè)速度變快，而且可分類缺陷，舉例來(lái)說(shuō)，半導(dǎo)體檢測(cè)設(shè)備多是偵測(cè)瑕疵，鮮少將其分類，但不同瑕疵類別產(chǎn)線會(huì)產(chǎn)生不同程度的嚴(yán)重性，尤其是 Defect Type 1 為極重大瑕疵，一旦發(fā)生就要停機(jī)檢查，時(shí)間可能長(zhǎng)達(dá) 2～3 天，影響產(chǎn)能，目前半導(dǎo)體檢測(cè)廠仍是高度倚賴人工分類瑕疵，通過(guò) AI 有助于降低瑕疵分類的時(shí)間。第三則是后續(xù)可以進(jìn)一步診斷瑕疵出現(xiàn)的原因，但此部分必須跟生產(chǎn)機(jī)臺(tái)數(shù)據(jù)串接，屬于較長(zhǎng)期的發(fā)展方向。

圖：PCB 行業(yè)使用 AI 執(zhí)行瑕疵檢測(cè)（來(lái)源：***工研院）

痛點(diǎn)明確，電子行業(yè)陸續(xù)導(dǎo)入

訓(xùn)練一個(gè)檢測(cè)產(chǎn)品瑕疵的 AI，做法像是使用計(jì)算機(jī)視覺(jué)＋深度學(xué)習(xí)，從原始圖像中提取感興趣區(qū)域（ROI），這會(huì)經(jīng)過(guò)多個(gè)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(xué)習(xí)算法如 CNN，在 ROI 區(qū)域偵測(cè)瑕疵。數(shù)據(jù)則包括眾多有標(biāo)記出缺陷的獨(dú)特圖像、以及標(biāo)記為正常產(chǎn)品的圖像，來(lái)進(jìn)行監(jiān)督式學(xué)習(xí)。也有人使用端到端的深度學(xué)習(xí)架構(gòu)，以深度學(xué)習(xí)來(lái)預(yù)測(cè) ROI，而非計(jì)算機(jī)視覺(jué)。使用帶有標(biāo)注的數(shù)據(jù)集來(lái)訓(xùn)練可預(yù)測(cè) ROI 的架構(gòu)，不過(guò)標(biāo)注的數(shù)據(jù)集必須明確且足夠廣泛。

適用于 AI 檢測(cè)產(chǎn)品瑕疵的制造行業(yè)其實(shí)非常廣，包括食品、金屬部件、汽車(chē)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(kāi)發(fā)的 AI 檢測(cè)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(jìn)行瑕疵檢測(cè)，并且產(chǎn)品檢測(cè)效率提升了 70%。欣興電子指出，過(guò)去生產(chǎn)線采用 AVI 設(shè)備檢測(cè)瑕疵，但檢測(cè)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(lái)復(fù)檢。目前他們結(jié)合了深度學(xué)習(xí)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(guó)內(nèi)的 RealAI 則是鎖定光伏行業(yè)，他們開(kāi)發(fā)光伏面板 EL 缺陷自動(dòng)檢測(cè)算法，通過(guò)計(jì)算機(jī)視覺(jué)的手段，針對(duì)太陽(yáng)能光伏面板的多種缺陷進(jìn)行自動(dòng)檢測(cè)，替代人工視檢過(guò)程。

RealAI CEO 田天在接受 DeepTech 采訪時(shí)表示，這一問(wèn)題的難點(diǎn)主要在于多晶太陽(yáng)能電池板的 EL 圖像本身存在晶界等花紋，對(duì)缺陷識(shí)別產(chǎn)生干擾。同時(shí)，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(guò)使用自主研發(fā)的缺陷檢測(cè)模型，并引入相關(guān)領(lǐng)域知識(shí)，開(kāi)發(fā)出 EL 缺陷自動(dòng)檢測(cè)算法，已經(jīng)在多家光伏組件頭部制造廠商試用。

圖：RealAI 重點(diǎn)關(guān)注無(wú)監(jiān)督、半監(jiān)督學(xué)習(xí)、小樣本機(jī)器學(xué)習(xí)等場(chǎng)景（來(lái)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(shí)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(cè)”和“預(yù)測(cè)性維護(hù)”兩大方面客戶接受度和需求較高，主要是因?yàn)樵擃I(lǐng)域?yàn)榭蛻敉袋c(diǎn)，能直接為客戶節(jié)省大量的費(fèi)用。預(yù)測(cè)性維護(hù)也有利于避免重大事故，對(duì)于安全制造和安全生產(chǎn)至關(guān)重要。

對(duì)于 2019 年人工智能在工業(yè)制造領(lǐng)域的發(fā)展，他認(rèn)為將是快速發(fā)展以及各種技術(shù)落地的一年，主要來(lái)到了三方面時(shí)機(jī)點(diǎn)的良好交會(huì)：首先是已積累大量算法及行業(yè)示范效應(yīng)，過(guò)去 10 年間，AI 領(lǐng)域開(kāi)發(fā)了大量?jī)?yōu)秀算法，為實(shí)際應(yīng)用儲(chǔ)備了大量的工具。近年來(lái)，人工智能開(kāi)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(shí)，經(jīng)過(guò)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(jiān)實(shí)的基礎(chǔ)。

再來(lái)就是政策方面，國(guó)家快速推進(jìn)工業(yè)互聯(lián)網(wǎng)的發(fā)展，并鼓勵(lì)企業(yè)進(jìn)行智能化轉(zhuǎn)型。隨著社會(huì)對(duì)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(kāi)始尋求使用人工智能深度結(jié)合領(lǐng)域知識(shí)，切實(shí)解決領(lǐng)域內(nèi)的問(wèn)題。

因此，在人工智能具有較高的社會(huì)接受度和豐富的技術(shù)儲(chǔ)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(guó)家層面在政策上大力支持，他看好 2019 年都會(huì)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(xué)習(xí) AI

除了行業(yè)需求外，在技術(shù)方面則有一個(gè)非常值得關(guān)注的發(fā)展趨勢(shì)，也就是非監(jiān)督式學(xué)習(xí)也逐漸走進(jìn)工業(yè)領(lǐng)域。這一波的 AI 浪潮始于視覺(jué)任務(wù)展現(xiàn)了很大的進(jìn)展，通過(guò)標(biāo)注數(shù)據(jù)來(lái)訓(xùn)練出識(shí)別、分類的 AI，就像前述的 AI 瑕疵檢測(cè)，同樣利用有標(biāo)注瑕疵的圖像數(shù)據(jù)來(lái)訓(xùn)練，不過(guò)，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(biāo)注訓(xùn)練過(guò)的瑕疵，系統(tǒng)是否能發(fā)現(xiàn)，也是一個(gè)問(wèn)題。

這也就是 RealAI 發(fā)展無(wú)監(jiān)督學(xué)習(xí) AI 的原因，田天說(shuō)，“在工業(yè)應(yīng)用領(lǐng)域，收集高質(zhì)量訓(xùn)練數(shù)據(jù)的過(guò)程往往成本高昂，且耗費(fèi)時(shí)間，如果采用無(wú)監(jiān)督或者半監(jiān)督的學(xué)習(xí)方法，就能有效降低訓(xùn)練數(shù)據(jù)需求，針對(duì)碎片化的工業(yè)視覺(jué)檢測(cè)場(chǎng)景具有更廣的應(yīng)用前景”。在沒(méi)有訓(xùn)練數(shù)據(jù)時(shí)，可以考慮采用異常檢測(cè)、或者變化檢測(cè)等方法，讓機(jī)器學(xué)會(huì)什么是正常的數(shù)據(jù)，進(jìn)而在出現(xiàn)異常數(shù)據(jù)或者變化時(shí)能夠做出準(zhǔn)確判斷。

比如，RealAI 自研的無(wú)監(jiān)督算法就成功運(yùn)用于石油管線故障檢測(cè)問(wèn)題。在這一問(wèn)題中，信號(hào)數(shù)據(jù)噪音大，且沒(méi)有標(biāo)注，他們利用無(wú)監(jiān)督算法，成功預(yù)測(cè)出存在缺陷的管線位置，并且已交付使用。此外，也利用無(wú)監(jiān)督學(xué)習(xí)方法解決了卷煙機(jī)和包裝機(jī)預(yù)測(cè)性維護(hù)問(wèn)題。“在許多缺少或沒(méi)有訓(xùn)練數(shù)據(jù)的領(lǐng)域，無(wú)監(jiān)督學(xué)習(xí)是唯一可用的選擇，”他說(shuō)。