【109年 應用案例】 AI助被動元件建構最佳AOI參數模型,降低過篩元件生產成本,年省250萬元
傳統AOI以限度樣本影像進行檢料,面臨產品過篩率過高問題
電子零組件製造業,在針對產品外觀瑕疵檢測上,經常使用AOI(Automated Optical Inspection)設備來進行量測。長久以來,AOI量測設備在影像處理上,均是利用有限的限度樣本影像,透過不同的外在光源、角度,來與產品進行外觀比對。
這樣的比對方式,雖然可將產品外觀瑕疵篩檢,做到自動化。但由於現行技術限制,產品在批次轉換之間,經常存在光源參數的調機問題,若又碰上新手的調機技師,就會造成機台稼動率的下降,以及產品過篩率過高的問題。
人工智慧影像機器學習成熟,AOI製程找到新契機
台灣被動元件目前在晶片電阻及MLCC,2019年市占分居全球前2名,長期來看,各車廠陸續推出電動車與智慧車,各國也陸續建置5G 相關設備,都將進一步推動被動元件在未來出貨數量。因此,除了擴增新產品線外,如何幫助現有產品提升相關競爭力,將會是未來產業國際競爭的關鍵。
動元件製程中,AOI檢測為共通性站別之一,現階段均採限度樣本影像,來進行相關外觀比對。但常在產品批次與批次轉換之間,存在光源參數的調機問題,而調機狀況皆會影響每批次良品過篩(誤篩)的狀況出現。現行產業在每批次不良品當中,就有平均20%的過篩(誤篩)發生。
憑藉中山大學產發中心深耕南部十多年的輔導能量,針對被動元件產業之痛點,媒合工研院AI影像辨識技術單位,降低AOI製程過篩,並減少人力調機所造成之誤差。
以影像辨識技術降低AOI過篩發生
此次工研院參與的技術單位,在AI模組建立上,利用影像辨識技術,針對被動元件製程產品,進行AOI技術開發。
開發過程先由案例廠提供產品外觀影像及相對應之調機參數,搭配現行產線人員調機邏輯,進行產品資料集建構,進一步建立AI模型。而在產線實測規劃上,先以影像辨識率為首要,藉由影像偵測、搜尋標籤的方式,進一步投透過AI模組比對,輸出可供線上人員參考的AOI調機參數。
▲影像分析示意圖
後續也希望透過機器學習的幫助,完成調機參數AI學習曲線,進一步降低產品外觀瑕疵檢測之產品過篩率,也同步解決現場專業技術人才斷層問題,並提升產品良率。
▲導入機器學習前後情境
推動製程AI應用與智慧化,打造無人工廠發展基礎
未來期能透過AI HUB的輔導,加速先進製程技術應用,建立被動元件各站製程AI指標,有助於國內被動元件生產高品質產品,提高產品良率與價格。以創新的思維提升產業附加價值,繼續帶領被動元件產業向前邁進。