陈明阳
质量控制
应用极有机会受惠于人工智能(AI)，相关技术成熟与防疫措施要求保持安全社交距离，促使制造商采用结合智能摄影机与基于AI技术的质量控制解决方案，不仅表现优于人类检查员，还能协助制造商降低质量检测成本与延迟。
应用极有机会受惠于人工智能(AI)，相关技术成熟与防疫措施要求保持安全社交距离，促使制造商采用结合智能摄影机与基于AI技术的质量控制解决方案，不仅表现优于人类检查员，还能协助制造商降低质量检测成本与延迟。
许多工业领域的技术都已运用AI或受AI影响，跟经营制造与加工设施相关的工业自动化领域应用也连续数年成长。机器视觉应用于质量检测已有多年，但整合基于深度学习的质量控制软件与智能摄影机的解决方案，自动化程度更高、功能与弹性更完善。
采用机器视觉的传统检测程序，需由专业人员决定摄影机拍摄的影像中，跟检测程序相关的物体边、角、弧线、色块等特征，并建立辨识特征的rule-based系统以确认产品符合预期与否，例如应用于包装线检测时能根据外型弯曲与外皮转黄的程度来分辨成熟的香蕉，不过有些情况下机器视觉仍力有未逮。
例如质量差异若主要基于定性、不明显、多变的因素，则不易以机器视觉分辨好坏。反之深度学习系统无需专业人员就能以受监督的(supervised)方式与特定的数据库训练模型，自主学习找出质量相关的重要特征，并建立整合检测各项特征的rule-based系统以判断质量优劣，且只要以不同的数据库训练模型，就可以用于检测其他产品。
透过深度神经网络(DNN)学习算法，就无需为个别的生产情境手动建立模型，只要依各种目标产品的属性，收集适当的特征数据即可据以训练检测目标产品的模型，例如以无瑕疵与有瑕疵产品多元且高质量的照片训练DNN模型，就能产生可靠、错误率低、精准的视觉系统来辨识与检测。
此外为简化产品特征数据收集、模型训练与部署，新型的不间断、终身学习式DNN正在发展中，只要以一般性的小型数据库就能训练模型而无需使用产业专属的数据库，因此，模型也仅需由终身DNN(L-DNN)供应商独立于制造商一次性建立。此外由于特征训练与规则训练阶段各自独立，因此作业中可随时新增规则或重新配置以因应需求。
本文版权归原作者所有，同心智造网（www.hahakm.com）转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
