【瑕疵檢測】PCB如何快速導入AI,若水用3招解決AOI高誤判率

文章推薦指數: 80 %
投票人數:10人

印刷電路板,又稱印製電路板,印刷線路板,常用英文縮寫PCB(Printed circuit board)或PWB(Printed wire board),是電子元件的支撐體,在這其中有金屬導體作為連接電子 ... 首頁 關於 媒體報導 TechforGood AI實戰案例 智慧零售 智慧城市 智慧製造 智慧醫療 智慧農業 AI管理優化 AIWOWMoment AI數據策略 前往若水AI官網 AI數據處理實戰攻略 Search Searchfor: Search Followus facebook linkedin youtube Menu Search Searchfor: Search 圖片來源:ScienceinHDonUnsplash 文/簡季婕若水AI數據處理事業部負責人 不久前,一位台灣的PCB製造業者找上若水,研究可以怎麼導入AI人工智慧儘快落地。

PCB(印刷電路板)是重要的電子構件,所以被稱為「3C電子產品之母」。

在台灣,這個產業扮演了很重要的位置,光是2019年上半年就創下2,882億元新台幣的產值。

※備註:什麼是PCB?印刷電路板,又稱印製電路板,印刷線路板,常用英文縮寫PCB(Printedcircuitboard)或PWB(Printedwireboard),是電子元件的支撐體,在這其中有金屬導體作為連接電子元器件的線路。

目前PCB的產業近況,由於印製電路板的製作處於電子設備製造的後半程,因此被稱為電子工業的下游產業。

幾乎所有的電子設備都需要印製電路板的支援,因此印製電路板是全球電子元件產品中市場占有率最高的產品。

目前日本、中國大陸、臺灣、西歐和美國為主要的印製電路板製造基地。

圖片來源:若水Flow 圖/簡季婕JessicaChien,若水AI數據服務團隊策略顧問 在和這位客戶互動的過程中,我們理解到PCB產業的現況。

就像為了確保產品出貨時100%無暇,PCB廠普遍應用「自動光學檢測」(AutomatedOpticalInspection,簡稱AOI)設備來檢測瑕疵,以對製程進行嚴密的品質管理。

※備註:什麼是AOI自動光學檢查?AOI(AutomatedOpticalInspection)為高速高精度光學影像檢測系統,運用機器視覺做為檢測標準技術,作為改良傳統上以人力使用光學儀器進行檢測的缺點,應用層面包括從高科技產業之研發、製造品管,以至國防、民生、醫療、環保、電力…等領域。

自動光學檢查是工業製程中常見的代表性手法,利用光學儀器取得成品的表面狀態,再以電腦影像處理技術來檢出異物或圖案異常等瑕疵,因為是非接觸式檢查,所以可在中間工程檢查半成品。

高精度光學影像檢測系統,包含量測鏡頭技術、光學照明技術、定位量測技術、電子電路測試技術、影像處理技術及自動化技術應用等領域,其開發應用不但符合高科技產業發展需求,其技術層面更可擴展至國防軍事工業,舉凡兵工武器製造、夜視作戰系統、戰略地形形貌之分析與研判等,都與此影像技術息息相關。

不過,AOI自動光學檢查的高誤判率也讓PCB廠頭很痛。

圖片來源: BrianKostiuk on Unsplash 原來,在PCB產業對於良率「寧可錯殺一百,不可放過一人」的高要求,往往會把AOI參數設定極高規格,導致設備異常敏感。

當數據參數設定過於嚴格時,AOI過篩誤判率可能達到7成。

在這樣的狀況下,PCB產商又要加派人力複檢,將檢測圖像放大數百倍於操作螢幕上讓人員確認,究竟是真有問題,還是虛驚一場,造成不少人力和時間成本增加。

AI導入要硬體、要技術,要策略,三者缺一不可。

這兩年,愈來愈多台灣企業導入AI,我們看到數據處理的過程,就在形成企業如何運用科技的策略思維。

所以過程中我們都會跟客戶一起思考三個問題: 1,要解決的問題是什麼? 2,要達成的目標是什麼? 3,AI數據分布的樣態、分類和清理的決策樹會是什麼模樣? 清楚定義問題和數據樣態,是AI落地的首要關鍵 圖片來源:patriciodavalos on Unsplash 經過一番討論,客戶設下兩大目標: 首先,希望能降低AOI誤判率以節省人力複檢時間,運用AI篩掉AOI預測失準的圖資,也就是AOI判別為瑕疵,但實則無瑕的(FalsePositive)。

其次,則是想透過判別瑕疵類別找出製程問題來源:如為瑕疵,判別瑕疵類別,並結合機台數據找出成因。

從AI數據處理的角度來思考客戶的目標,有三個主題得要反覆釐清: 1,何謂瑕疵(Classification) 2,定位出瑕疵範圍(Localization) 3,AI真正要學的是什麼? 圖片來源:NicolasThomasonUnsplash 像在PCB的製程中,隱藏著有許多看似無關,實則影響演算法學習的議題,比方影像像素、導致過曝的光源、攝影機拍攝高度等。

於是,我們建議透過「投票系統」(VotingSystem),把同一個工項交給三位AI數據標註師判斷,並以多數決來確認AOI的判斷到底正確與否。

針對瑕疵判定,這時候從AOI來的已判斷為瑕疵之數據已可分成兩種類型: 1,正確判讀2,錯誤判讀 透過若水的AI數據標註師篩選掉第二類圖資後,便留下真正該讓機器學習的PCB瑕疵數據。

演算法是吃數據的,它不像人類在經過學習後,會有一定的知識量及超出規則聯想的能力。

如果只教演算法「A」等於A,它就只會認「A」,不會知道「a」也等於A。

圖片來源:AnnieSprattonUnsplash 當時,我們在和客戶反覆討論和定義後,確認以最多十幾種的瑕疵圖資為主,但接著光是定義各瑕疵類別判定原則,以及相關數據就是一項大工程。

在這個狀況下,一旦判定的原則定義模糊,就會混淆演算法的識別能力。

為此,若水AI的BD、PM和製程工程師,密集討論每個瑕疵類別,找出明確且具排他性的特徵定義及辨別原則,形成決策樹,減少誤判。

儘管判別瑕疵的原則大致有個規範,但實際定義仍會依據每個客戶不同的瑕疵標準,而有所差異。

像這位客戶原先想將「灰塵」加入判別種類,但在AOI檢測出來的圖資中,「一個黑點」應該定義為「灰塵」或「污漬」,兩者之間很難用定義釐清,客戶決定從製程改善,而不用AI來解決入塵問題。

透過原則及流程設計,協助客戶將知識標準化 圖片來源:若水Flow 定義、篩選、分類完,這時,才正式進入PCB瑕疵Objectdetection的數據標註流程,包含標註「瑕疵範圍」(BoundingBox)及「類型」(Classification),好讓AI學習瑕疵的類型及面積大小。

在這個階段,若水運用「黃金標準數據集」(GoldenDataset)的機制,以隨時驗證標註品質。

「黃金標準數據集」則是一組確定瑕疵類別正確的「已標註數據」(labeleddata),若水在專案中會將黃金標準數據集,隨機放置在工項流中讓標註師領取,再兩相比對標註師標註的結果,來抽驗標註品質。

圖片來源:若水Flow 若發現人為標註的答案與黃金標準數據集不相符,PM即在第一時間停止標註師作業,並由品質檢核團隊手把手教學。

這樣的雙重機制,不僅能即時掌握標註師對標註原則的熟悉度,也能確保最終僅提供給客戶高品質的標註數據 有意思的是,帶有策略思維的數據處理流程,即便在AI還未落地,往往就已經啟動管理優化的機制。

像這個PCB瑕疵檢測的個案,在清理數據的過程中,就能發展出判定瑕疵的SOP流程,同時也將內部知識標準化,並且協助製程工程師掌握製程問題,即時形成管理的回饋廻圈。

這是數據處理最重要的結晶。

【推薦閱讀】 1,推動AI落地,時間怎麼配置最理想?➡️➡️別急著寫Code,AI落地前要回答的兩個問題 2,人工智慧不再是一種選擇,而是生存下去的基本必須品!➡️➡️看全球零售巨人沃爾瑪如何利用龐大的數據網,成功預測消費趨勢,提高營運效率 3SHARESShare 想閱讀更多AI產業的優質專題報導嗎? Leavethisfieldemptyifyou'rehuman:別擔心,我們只會寄實用的資訊給您! 訂閱電子報Leavethisfieldemptyifyou'rehuman:別擔心,我們只會寄實用的資訊給您! Loading... facebook linkedin youtube 即時掌握來自全球AI產業的第一手訊息! Leavethisfieldemptyifyou'rehuman:別擔心,我們只會寄實用的資訊給您! ©Copyright2022Flow,Inc.AllRightsReserved BacktoTop Close 首頁 關於 媒體報導 TechforGood AI實戰案例 智慧零售 智慧城市 智慧製造 智慧醫療 智慧農業 AI管理優化 AIWOWMoment AI數據策略 前往若水AI官網 AI數據處理實戰攻略 Searchfor: Search 免費訂閱AI電子報 免費獨享會員福利:最新AI產業報導、沙龍講座、實戰工作坊等。

Leavethisfieldemptyifyou'rehuman:別擔心,我們只會寄實用的資訊給您! Close



請為這篇文章評分?