:::

【110年 應用案例】 光學產業AOI導入AI大躍進 徹底解決鏡片瑕疵檢測痛點

智慧型手機、遠距工作等宅經濟發威,資通訊產業暢旺,帶動光學產業蓬勃發展。然光學鏡片的瑕疵檢測多以人眼檢測進行,不僅耗時費力,受限於人眼容易疲勞,誤判率也是光學業者揮之不去的痛點。受惠於AI技術的演進,上暘光學導入繞射光學技術拍攝,以系統拍攝後影像為數據來源,導入AI模型訓練,並將攝像系統與影像辨識整合為一產線工作站,大大提升瑕疵辨識率高達90%以上。

台灣光學產值佔全球10% 精密光學應用範圍日廣

光學產業為消費性電子之主流產品,於2019年即使台灣受中美貿易爭端之影響,光電產值仍達463億美元,佔全球10%。其中,在「精密光學」部分,即佔新台幣870億元(約29億美元)產值。有鑑於智慧型手機鏡頭數目的增加,相較其他領域之衰退狀況,精密光學仍保有4%的持續成長。

自2000年夏普推出全球首款搭載後置11萬像素鏡頭的拍照手機開始,終端消費者即對智慧型手機攝像性能的要求不斷提高,且隨著網際網路5G高速網路的浪潮來襲,帶動擴增實境(AR)或虛擬實境(VR)等應用市場的活絡,其技術的創新與應用更為光學產業增添許多動能,而應用的領域更已從智慧型手機延伸普及至汽車、家庭娛樂等大眾民生市場。

光學鏡頭對於「精密光學」經濟發展密不可分,隨著半導體技術的不斷成熟、網路速度的不斷提高,光學鏡頭的運用不僅僅在智慧型手機、平板電腦、傳統相機、播映投影、民生車載領域,其在高精密製程之工程視覺檢測、安防應用的需求更是不斷高速成長。

光學鏡頭瑕疵檢測多以人工進行。

▲光學鏡頭瑕疵檢測多以人工進行。

「光學鏡片」為整體光機系統之必要零組件,其進料後與出貨前的鏡片光潔檢測不僅左右整體產線效能發展,對終端客戶的品質承諾影響更是不容小覷。 長期以來,光學產業多以人眼檢測進行瑕疵檢查,隨著生產量的持續提升,不僅人力成本持續上漲。隨著檢驗人員的年齡增長,視力逐漸衰退,誤判率更是年年增高。且近年人力招募困難,即使有幸招募,該檢驗技術養成不易,且訓練時間冗長,無法及時因應產線人力需求。

導入繞射光學技術及AI訓練模型 提升瑕疵辨識率達90%以上

現行市面充斥著大量自動化光學檢測系統,並具有多項針對鏡片瑕疵的實質案例。但經由上暘光學多年來的市場探勘與評估,該系統仍無法解決現行人工檢測之問題,其主要在於光學鏡片外型為曲面且透明,並不容易拍攝到各種瑕疵狀況,且一旦瑕疵周圍有其他雜光之干擾,判斷難度更高。且不同型號的鏡片都需依瑕疵狀況個別透過旋動打光、拍攝手法的調校方可進入到判別階段,人力耗費比例仍高居不下,並不符合效益成本。

藉此,經過經濟部工業局AI計畫執行團隊的媒合,小馬光學協助上暘光電建立有效瑕疵拍攝系統。由小馬光學提供精密繞射光學的指導,基於「光」波動的特性即可以統一鏡頭拍攝方式獲取鏡片瑕疵狀況。 現行市場拍攝系統多採幾何光學方式,幾何光學以直線光行進,對於鍍膜缺失、細微刮痕、液態髒污等瑕疵並不易拍攝。合作方案導入繞射光學技術拍攝,經過全角度的精密成像可達到比一般幾何光學元件更高的對比、更卓越的降噪程度,以獲取必要之瑕疵影像。

光學鏡頭刮傷瑕疵示意圖。

▲光學鏡頭刮傷瑕疵示意圖。

為提升本案更細緻的瑕疵檢測辨識率,上暘光學基於系統拍攝後影像為數據來源,導入AI模型訓練,並將攝像系統與影像辨識整合為一產線工作站,不僅提升瑕疵辨識率達90%以上,更有助於後續自動化產線發展。

此合作案的AI模型訓練由奕瑞科技提供,目前大部分廠商導入產線瑕疵檢查AOI的系統,大多採用OCR(光學字元辨識,是指對文字資料的圖像檔案進行分析辨識處理,取得文字及版面資訊的過程)技術,需要達到百分之百的精確度,沒有任何容錯的空間,導致誤殺的情況時常發生。

加入AI訓練模型之後,光學鏡頭瑕疵辨識率大大提升。

▲加入AI訓練模型之後,光學鏡頭瑕疵辨識率大大提升。

AI+AOI解決人力不足及誤判率過高兩大痛點

此次奕瑞科技與小馬光學合作,將奕瑞的AI系統搭載在小馬光學研發的光學檢測儀器,在光學檢測瑕疵上加入AI演算法,根據客戶提供的資料與需求,訓練AI模型辨識對於瑕疵的判定,可大幅提升判別的準確度,提生良率,並增加產線效率。透過上暘光學、小馬光學與奕瑞科技三方合作,將光學產業AOI導入AI,期望能徹底解決產業鏡片瑕疵檢測之痛點。

上暘光學自2019年設立生產線後,即希望導入智慧化生產模式。有鑑於公司營運持續成長,生產量持續提升,透過該成果的導入與拓展,將大幅減緩人力需求,更可因高準確判別率指標降低生產排程影響,進而提高生產效率。

上暘光學表示,由於開發成果落地,將可引領該技術推播至光學產業上下游業者,諸如上游光學鏡片原料供應商直至下游成品應用端,包含沉浸式遊戲設備、相關曲面玻璃產品、民生車載及安防攝像裝置等。

推薦案例

【導入案例】巨量遙測空間數據AI分析雲端服務平台 使衛星遙測影像順利落地應用
巨量遙測空間數據AI分析雲端服務平台 使衛星遙測影像順利落地應用

衛星遙測影像雖然可以讓地面景物無所遁形,然真正要能落地應用至產業面,還需要耗費大量時間與人力。為有效解決客戶面臨巨量影像資料消化困難及消除跨領域用戶對衛星遙測影像處理的技術障礙等問題,興創知能研發「巨量遙測空間數據AI分析雲端服務平台」,作為智慧空間資訊跨域AI應用導入的新開端。 近年來,為了因應產業全球化衝擊,臺灣農業轉型持續走向科技化與精緻化,紛紛從微氣候衝擊、病蟲害防治等問題的解決,來提升農作物的產量與品質。為了精確掌握作物的生長環境、農業對於影像的使用,有了無限擴張的需求。 在早年UAV無人機尚未盛行的年代,人工田野調查是最基本、卻也最消耗人力的工作,有了UAV無人機的出現,航拍操作也許不太困難,但能拍的範圍受限,要精確地擷取空間資訊,還需要測量專業。此時,衛星遙測數據的使用可能就此跳脫過去使用影像資料的想像。 國家太空中心TASA資料倉儲服務 在近十年,現代衛星遙測應用技術的突破,數位地球成了全球資料採集的新趨勢、各國紛紛發展資料立方的影像倉儲技術,各國發展智慧農業成了最大的影像用戶之一,掌握作物的栽種分佈,就是掌握作物產量的第一步,有了免費的衛星遙測影像、強大的資料倉儲支援,以及團隊穩健的影像辨識技術,是加速農業轉型的重要支持。 運用衛星遙測影像數據 可加速智慧農業發展 然而,在過去,想透過衛星遙測影像來萃取大面積作物分布,也是困難重重,所需要花費的費用不說,若想使用免費的資訊,必須逛透國際太空機構的網站,在琳瑯滿目的衛星產品規格表中,審慎評估感測器規格、影像解析度以及再訪週期,找到適合的影像後,還得一幅一幅的看,去蕪存菁,接下來,動輒數百MegabyteMB的影像資料、連續幾十張的影像下載存檔,所用的電腦容量恐不堪負荷。 還有,當克服影像存取、備好資料後,接著必須開始確認下載的影像產品,哪些才是想要的波段,因為眼前看到的影像並不只是一個圖檔jpg或png,複雜的多光譜資訊、屬性欄位和座標資訊,光是確認正確的資訊,就耗費龐大心力。 而面對功能複雜的GIS套裝軟體,又是另一個麻煩的開始,複雜的影像前處理流程,以及缺乏彈性的機器學習套件,大幅降低分析資料的效率。好不容易做出作物辨識的結果,才發現可能已經過了圖資使用的黃金時期。上述複雜耗時的衛星影像處理問題,恰恰就是市場的痛點, 興創知能從傳統的機器學習擴展到現代的深度學習應用,研發在GeoAI框架下的「巨量遙測空間數據AI分析雲端服務平台」,為客戶突破這些空間資訊的魔鬼細節。 AI分析雲端服務平台流程導入前後之差異 興創知能表示,在我國國家太空中心TASA, Taiwan Space Agency的多年努力下,屬於臺灣的ODCOpen Data Cube系統也已打造完成啟動服務,與國際趨勢正式接軌,強大的倉儲技術讓使用者可以輕易的根據需求,擷取並使用特定時間與空間範圍的影像資料,倉儲收納了國際太空機構旗下的多個衛星影像資源,包含ESA的Sentinel-1每隔6日一幅、Sentinel-2每隔6日一幅,USGS的Landsat-7每隔16日一幅、Landsat-8每隔16日一幅,以及國內自有的Formosat-2每日一幅與Formosat-5每隔2日一幅。 以Python語言為基礎 興創知能開發衛星影像辨識工具 擺脫GISGeographic Information System套裝軟體的侷限,興創知能以Python語言為基礎,整合GDALGeospatial Data Abstraction Library,並考慮運算效率與平行處理,完成所有衛星影像處理與影像辨識建模所需的工具開發,包含座標系統與資料格式的轉換、網格與向量資料互動,以及資料內差與正規化等工具,都是以AI應用為考量進行設計,而部分常用的工具更以TronGisPy為名,打包為開源套件造福技術社群。 興創知能善用團隊對衛星遙測影像的了解,以及透過所蒐集的標記資料作物分佈圖資,預設好影像辨識建模過程,所需的訓練資料規格與資料集定義,套用事先完成的機器學習LightGBM或深度學習CNN框架,並讓整個訓練過程在Web GIS的介面中,提供使用者部分的彈性,自由篩選影像、確認時空範圍、選用模型與超參數調整。除了訓練模型的操作,也提供歷史模型的運用產出辨識結果,最終讓作物分佈的辨識結果展示在Web GIS圖台。 事實上,不僅只是農業才會有衛星遙測的應用需求,隨著各行各業為了提升企業全球性的競爭能力,空間資訊的智慧化應用也大幅度的出現在各種領域之中。舉例而言,擁有大量圖資的測繪業者,能夠透過AI分析雲端服務平台 ,收納圖資的同時也加速數化製圖的效率;在全球氣候劇烈變化與致災性地震風險之下,產業保險類別豐富,農業保險、金融保險或是災害保險,都與空間資訊脫離不了關係,透過遙測影像辨識掌握保險標的早已成為國際趨勢。 巨量遙測空間數據AI分析雲端服務架構

【導入案例】哈瑪星科技建構AI模型管理平台 加速AI落地應用
哈瑪星科技建構AI模型管理平台 加速AI落地應用

搭上AI列車,資服業者借助深厚的產業基礎,不僅自己轉型,也協助客戶轉型 成立已超過20年的哈瑪星科技,近年來不斷研發AI技術,並協助產業客戶導入AI。哈瑪星認為,執行一個完整的AI專案,除了AI理論知識、數據分析與模型訓練能力,實務上還需要依據客戶的需求開發數據串接API、建置資料庫、開發前端RWD網頁,甚至還需要考慮到版面設計與使用者體驗 User Experience。這些工作不僅對AI新創業者形成技術門檻,即便對已具規模的業者來說,每個專案反覆投入人力進行類似的功能開發,也難以累積技術經驗、加速業務成長。 機關客戶對於AI仍具備高度客製化之需求 以哈瑪星科技所執行的政府A機關的需求為例,用戶須針對特定管道的不實資訊進行管控,需要平台提供用來訓練模型和預測的數據接入功能,並可以在平台上完成自然語言處理NLP文本分類模型訓練與使用。當模型發現不實資訊時,需要即時透過通訊軟體通報相關負責同仁。而B機關的需求則是希望透過AI模型針對民眾陳情案件進行自動分類,並即時提供陳情民眾或案件承辦人員可參考之歷史案件資訊。儘管專案模式相似 數據接入、模型預測、警示通知,但在個別專案中,仍只能分別進行需求功能開發,無法重複利用既有的程式與模型來加速後續專案的執行。 在深入探討之後,哈瑪星科技發現企業面臨導入AI專案的痛點,包括導入成本高昂、專案時程冗長等,其中,在企業內難以齊備資料科學家、分析師、工程師、設計師等人才,而現階段的專案皆為集中解決特定領域需求,難以重複利用AI模型跨入其他應用領域,同時,因為工具集中在AI專案領域,無法滿足客戶提供整體解決方案。 換言之,在AI技術的落地上,由於AI資服業者往往面臨「人力有限」、「領域限縮」與「工具不足」等困境,致使專案執行成本高昂或時程冗長。這些都是業者們亟需解決的共通性問題。因此,若有一個AI模型應用服務管理平台,將可解決上述困難,不僅能夠快速導入降低成本,還有助於縮短專案時程,提供客戶一站式解決方案。 AI模型應用服務管理平台協助快速完成專案 因此,哈瑪星科技在經濟部工業局AI計畫支持下,進行「AI模型應用服務管理平台AISP研發計畫」,投入研發AISP產品,目的是為了讓AI資服業者能事半功倍地完成AI專案。 AI模型應用服務管理平台提供AI一站式解決方案 透過AISP,AI資服業者可透過既有的模組功能快速組裝數據API介接、模型管理與模型預測結果監控訂閱等需求功能。同時也提供常用的圖形化工具,幫助業者快速設計用戶所需要的互動式圖表或儀表板,有效降低執行專案所需要的人力成本,並縮短解決方案POC或導入時程,加速產業AI落地與擴散。 在產品商模上,短期內將廣邀具備AI專門領域技術的資服業者合作,藉由平台服務解決各類場域需求單位所面臨的AI導入問題,逐步建立平台品牌信賴感。 中期則盼以哈瑪星過往的成功經驗逐步拓展業務市場,聯合多家資服業者建立策略聯盟,針對專門領域可解決更多且廣泛的問題,並提供更多解決方案供場域單位選擇。 平台結合領域專家共同擴展海外市場 長期而言,在建立各項專門領域的AI策略聯盟後,平台將擁有大量針對專門領域的AI解決方案專家,累積大量的專案成功經驗後,哈瑪星科技期望AISP將能與專家業者們攜手合作,共同進軍拓展國際市場。 哈瑪星科技股份有限公司於民國89年延攬多位資深專業經理人及相關領域技術專長人才所組成,致力於軟體技術研發暨服務,並以建構成為國際級軟體公司為目標,積極促成各項跨國產業合作機會。公司在首任總經理的優良領導之下,已快速成長成為臺灣主要軟體公司之一。

這是一張圖片。 This is a picture.
測試座接觸元件 AI 智能瑕疵檢測

在 5G、AIOT、汽車電子等下游發展迅速,全產業鏈有望受益於此消費市場。在產品需求動能逐漸增加的情況之下,提高生產效率與降低作業成本成為最重要的課題。為符合客戶各封裝產品類型的需求,穎崴科技一直致力於研發高度客製化測試座,但衍伸的作業痛點則是無法大批量與機台全自動化的作業,部分作業仍需依賴人工執行。 在本案 2021 年時測試座探針部分是委外製造,對現行與未來的大量需求下工時、成本、供給、品質是穎崴需面臨的課題。nbsp因探針的體積較小且材質屬於金屬類型,在現行人力目檢下需花上較多的時間調整焦距、亮度等以確保能看得清晰並判斷,而判斷標準會因人而異,容易因主觀意識或人員目檢疲勞產生誤判、作業疏失,導致不良品未檢出、流入客戶端手中,使客戶使用本公司的測試座產生誤判結果,導致客戶產品功能失效等問題,進而影響本公司的商譽。 本公司在接觸元件檢測良率為 9995,看似高良率,但以一個品檢人員平均一天能檢測 1 萬根針,不良品就有 5 根針,在僅 3 公分長寬的測試座上約有 1 千根針,只要有一根不良針可能導致客戶端測試不良。因現有作業模式為人力目檢,當外在因子若為人員疲勞,人員作業疏失,人員非量化判定即有可能造成不良品流出,因此接觸元件的品質必須嚴格把關。 nbsp曾尋求以光學檢測Rule-based進行外觀品質控管,但接觸元件材質為金屬製,對光線會產生射散、背景雜訊干涉、背景刮痕、材質等因素可能造成誤判,因而找到在 AI 技術方面的資服業者來解決我們的檢測難處。 開發 AOI 專用線掃設備 nbsp為了達成本公司 IC 測試座內動輒數千上萬支探針檢測需求,若以傳統面型取像與逐針取像,勢必因取像速度慢無法達到快速檢測以及節約人力的目標。針對此點,資服業者提出可試用 AOI 專用線掃模組方案,以 X 軸 63mm 為面寬,往復掃描測試座上的所有探針,經測試可一次掃描 89 支探針如下圖,大幅提升未來 AOI 機台的檢測效率。nbsp本案將進行上述創新的概念驗證POC,重點於線掃描設備的開發,針對本公司所提供的正常與異常探針進行取像、學習、訓練,先以逐針取像,訓練初步 AI 模型為驗證目標,以達初步認可。 本案客製化開發的線掃描取像模組 未來理想取像結果示意圖 以單一 AI 技術方案解決量檢測需求 nbsp統一以 AI DL CNN 學習方式,取代現行 Rule based 需逐一定義瑕疵,為滿足磨耗的量測需求與缺損異物的外觀瑕疵檢測需求,如機台同時採用採量測檢測兩套技術,除了成本增加外,亦影響檢測速度,則資服業者建議以線掃描設備取像,其解析度足以由 AI 同時判定外觀瑕疵及以大小圓點判斷針頂磨耗狀況,詳如下圖。 以線掃描像素方式,呈現針頂磨耗情形 nbsp依此 AI 檢測技術能符合穎崴的量測與檢測兩項需求,不僅在未來探針檢測上帶來更多的效益,也在 AI 技術方面帶來創新主軸。 改變人檢方式,提升工作效率與產品品質 經以上述硬軟雙劍合璧後線掃描硬體AI 軟體模式訓練,成功挑戰了 AOI 新興檢測應用,經本案 AI 落地 POC 驗證後,包含客製化線掃描模組及初步 AI 模型開發、驗證,計畫明年正式開發 AOI 機台,並導入 IC 測試座生產線。 未來展望 IC 測試座上游探針業者及下游 IC 廠使用者對 AOI 檢測機台均有需求,上游可確保探針出廠品質,下游使用者則可利用本機台定期檢測手中諸多 IC 測試座使用狀況,對未來需求勢必殷切,故本計畫 AOI 機台對 IC 測試產業於可見的未來必將造成極為正面的影響。