【瑕疵檢測】PCB如何快速導入AI，若水用3招解決AOI高誤判率

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