檢出率低、速度慢、招工難且人員成本高 紡織業向來為勞力密集之產業，目前全球紡織業幾乎都還是用人工進行布料檢驗，人工驗布有三大痛點：檢出率低、速度慢、招工難且人員成本高。平均一個驗布員在1小時內最多發現200個疵點，瑕疵檢出率約為70%。 但人員集中力最多維持20～30分鐘，而且驗布速度一般限制在20～30cm/s，若超過這個時間和速度，驗布員會產生疲勞。 紡織業者購買的國內外AOI驗布機，到目前皆尚未正式融入生產線中，開始時1捲布約能測出10000個疑似瑕疵，檢出率高但正確率[過篩]低，迄今約減少到7000個點，但仍未達老師傅水準。 ▲高速相機拍攝瑕疵，記錄瑕疵位置 廠商目前採用的Rule-based瑕疵辨識方法，在業主(場域)實際使用前需要花費大量調整時間(約1~3個月)，而且目前使用後並沒有一套可以修正自動化修正辨識模型的方案，造成廠商需要再額外花費時間進行參數設定重新調整，因此，不管是對廠商或業主(場域)都需要花費龐大的成本。 ▲目前廠商的胚布驗布流程 輔導團隊與合作廠商針對瑕疵檢驗流程導入AI辨識技術與學習框架(針對模型重新訓練)，具體作法描述如下 1. AI-based 瑕疵辨識模型 : 利用大量收集到的影像資料(包含無瑕疵與有瑕疵)，藉由機器學習(Machine Learning)，如SVM，或深度學習(Deep Learning)的物件偵測方法，如SSD或YOLOv3，建構瑕疵偵測模型，依此模型來得知當前胚布表面的狀況，是正常品還是瑕疵品，藉此達成瑕疵辨識。 2. 辨識模型重新訓練框架 : 根據目檢員的判斷，若有判斷錯誤的情況發生，則標記該筆影像，將該筆資料作為重新訓練的資料集，待累積至一定程度的誤判資料筆數後，系統將自動啟動辨識模型重新訓練功能，新模型產生後將自動替換舊有的辨識模型，藉此達到模型更新的目的。 ▲導入本計畫後的胚布瑕疵檢驗流程 低誤殺率，解決產業缺工與高質化挑戰 本計畫以深度學習網路架構，重新分類經檢測出的瑕疵，包括真瑕疵與假瑕疵，並可將真瑕疵與假瑕疵進一步分類，降低傳統AOI方案的誤殺率，預期可再協助驗布員減少70%以上的複判篩檢量，解決現行生產線導入的疑慮，加速擴散織布廠導入應用AI化AOI檢測方案，解決產業缺工與高質化產品的挑戰。
檢出率低、速度慢、招工難且人員成本高 紡織業向來為勞力密集之產業，目前全球紡織業幾乎都還是用人工進行布料檢驗，人工驗布有三大痛點：檢出率低、速度慢、招工難且人員成本高。平均一個驗布員在1小時內最多發現200個疵點，瑕疵檢出率約為70%。 但人員集中力最多維持20～30分鐘，而且驗布速度一般限制在20～30cm/s，若超過這個時間和速度，驗布員會產生疲勞。 紡織業者購買的國內外AOI驗布機，到目前皆尚未正式融入生產線中，開始時1捲布約能測出10000個疑似瑕疵，檢出率高但正確率[過篩]低，迄今約減少到7000個點，但仍未達老師傅水準。 ▲高速相機拍攝瑕疵，記錄瑕疵位置 廠商目前採用的Rule-based瑕疵辨識方法，在業主(場域)實際使用前需要花費大量調整時間(約1~3個月)，而且目前使用後並沒有一套可以修正自動化修正辨識模型的方案，造成廠商需要再額外花費時間進行參數設定重新調整，因此，不管是對廠商或業主(場域)都需要花費龐大的成本。 ▲目前廠商的胚布驗布流程 輔導團隊與合作廠商針對瑕疵檢驗流程導入AI辨識技術與學習框架(針對模型重新訓練)，具體作法描述如下 1. AI-based 瑕疵辨識模型 : 利用大量收集到的影像資料(包含無瑕疵與有瑕疵)，藉由機器學習(Machine Learning)，如SVM，或深度學習(Deep Learning)的物件偵測方法，如SSD或YOLOv3，建構瑕疵偵測模型，依此模型來得知當前胚布表面的狀況，是正常品還是瑕疵品，藉此達成瑕疵辨識。 2. 辨識模型重新訓練框架 : 根據目檢員的判斷，若有判斷錯誤的情況發生，則標記該筆影像，將該筆資料作為重新訓練的資料集，待累積至一定程度的誤判資料筆數後，系統將自動啟動辨識模型重新訓練功能，新模型產生後將自動替換舊有的辨識模型，藉此達到模型更新的目的。 ▲導入本計畫後的胚布瑕疵檢驗流程 低誤殺率，解決產業缺工與高質化挑戰 本計畫以深度學習網路架構，重新分類經檢測出的瑕疵，包括真瑕疵與假瑕疵，並可將真瑕疵與假瑕疵進一步分類，降低傳統AOI方案的誤殺率，預期可再協助驗布員減少70%以上的複判篩檢量，解決現行生產線導入的疑慮，加速擴散織布廠導入應用AI化AOI檢測方案，解決產業缺工與高質化產品的挑戰。
