整合AI與機器視覺兩大技術，並將之應用於產品品質檢測環節，被多數業者列為啟動智慧製造的第一步，不過對多數業者來說，AI屬於新技術，要讓效益如期浮現，架構仍須不斷調整。
| 圖1 : 整合AI與機器視覺兩大技術，並將之應用於產品品質檢測環節，被多數業者列為啟動智慧製造的第一步。（source：SEMI） |
|
機器視覺是自動領域發展已久的技術，過去主要應用於產線品質檢測，也就是AOI（Automated Optical Inspection），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，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，近年機器視覺更迅速與AI結合，發展出AIAOI架構。
AI技術持續進化 導入沒有想像中容易
機器視覺的產品類型主要分為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由硬體工程師進行整合，軟體需軟體工程是進行系統開發與設計，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。不過，儘管架構不同，但在近年來的AI化趨勢下，機器視覺的軟體平臺都必須走向高專業與精簡設計，以利於製造業者提生產線效率，並縮短人才的培育時間。
由於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。
| 圖2 : 機器視覺已逐漸取代人力，成為品管檢測的主要技術。（source：Metrology News） |
|
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。
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作法，已被廣泛應用於交通、建築系統，其辨識率更可達95％，此辨識率在上述領域雖已足夠，但在產線辨識仍然不足。由於產線辨識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。
除了演算法之外，硬體是另一個問題。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6個面向，因此其系統必須架設6組工業相機，而每組工業相機又都需要搭配1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，設備就有可能因此而停擺，造成龐大的損失。
善用外部專業力量 順利架構智慧系統
要解決上述問題可從幾處著手，首先是考慮到機器視覺在生產線的高度重要性，無論是局部換新設備或整條產線重置，都必須考量到導入時間與成本，對此可選用隨插即用的模組，降低導入時的困難度與複雜度，同時減少新舊系統交替時的成本支出。
產線設備的隨插即用作法可體現在生產設備、AI平臺與推論模式，這三大作法解決了製造商的幾個問題，首先是尚未擁有AI模型的製造系統，可藉此快速建立，其次是透過效能夠強的推論模型，修正訓練模型所完成的模式，在現場使用時的不足，最後則是強化與其他系統的整合。
生產設備部分，可於機器視覺原有的影像擷取卡中加入運算處理功能，透過邊際運算的設計，大幅減少現場設備的體積，而且在處理器廠商的技術推動下，運算能力大幅提升，可以單一處理器運算多通道的視覺系統，釋放出設備中原有的插槽空間，讓設備做更有彈性的應用。在推論端，現有廠商將各種應用模組化，使用者可視需求選取功能模組，快速導入至製程系統中，而除了功能導入外，使用者也可藉此將機器視覺的影像顯示於他處，讓系統更具彈性。
| 圖3 : 具備AI功能的機器視覺，近年來快速與機器手臂整合，打造更具彈性的工廠產線。（source：AIA | Vision） |
|
另外，AWS與Microsoft的公有雲，現在都提供了深度學習的服務，為使製造業者善加利用這些資源，現在大型工業電腦廠商都有對應的應用機制，讓製造業者在使用上述公有雲，乃至於其他系統廠商所推出的AI功能時，可快速建構出符合自身需求的機器視覺系統。
雖然在不同環節都有對應方式，不過這些作法彙整到工廠時，仍須因應現場環境而有調整，尤其是部分難以取得數據的製造業更需如此。製造業目前仍有部份產品瑕疵難以檢測，尤其是良率都已高的製程成熟製造業，在其不良品數量偏低的狀況下，AI難以採擷到足以建立訓練模式的分析數據。
對此，可使用反向學習法，將數據採樣方向由不良品轉為良品，透過大量的合格產品樣本，建立起正確樣貌的數據庫，在訓練模式中，只要不合於正確樣貌的產品，都會被歸類於不良品，這種作法雖仍會有漏網之魚，不過相較於現有檢測方式，其檢出率將大有改善。
滾動式調整架構 效益方能浮現
至於在硬體部分，工廠產線必須選擇符合工規標準的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，現在NVIDIA已有可以外接型態運作的產品，可在一部工業電腦上外接6組GPU，其效能與過去的 6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1秒多的運算時間最快縮短到5毫秒。
觀察智慧製造的發展現況，AI與機器視覺的整合效益明顯，系統導入後，產線品質可立即改善，因此被多數業者列為工廠轉型的第一步。不過系統廠商也提醒製造業者AIAOI仍屬於新技術、新架構，在導入前、中、後都必須有滾動式調整的心理準備，才能讓系統貼合產線需求，效益也才能如期浮現。
