富士康展示電腦視覺技術用於產品線產品檢測 未來目標實現全自動化應用

2019.03.21 01:31PM
519
是富士康藉電腦視覺加速代工產線運作效率,未來目標實現全自動化應用這篇文章的首圖

電腦視覺判斷越來越精準,現在也廣泛的被用來進行產品線上的產品檢測,不過對於太過精細的產品,像是手機產品目前仍多仰賴人工進行。

首圖

在此次GTC 2019期間,富士康 (Foxconn)實際展示旗下將電腦視覺技術應用在產線,讓產品生產檢測更具效率,同時也能提昇產品整體生產速度的解決方案,強調整體檢驗精準度可達98%以上,同時更可讓檢測所需人力從原本400人左右精簡至2-3人即可完成。

是富士康藉電腦視覺加速代工產線運作效率,未來目標實現全自動化應用這篇文章的第1圖

富士康目前應用在武漢產線的人工智慧檢測系統

富士康這套檢驗系統目前主要應用在中國境內武漢生產線,主要希望改善傳統必須透過大量人力進行檢驗,同時透過人工檢驗往往在一段時間後,可能因為視覺疲勞等因素造成檢驗精度下降,反而讓產品生產良率下降。而另一方面,則自然包含人力成本、資源最佳化利用,以及提生產線效能等考量,因此希望藉由人工智慧技術導入提昇生產效率。

此次在GTC 2019期間展示的解決方案主要用於產品外觀等細節檢測,富士康表示在其他生產過程其實也會有不同技術應用導入,甚至可以藉由自動化應用串接不同生產流程,讓整體產線可以實現透過少數人力管理即可全自動化運作,並且讓產線系統可依照檢測結果自動校正生產誤差情況。

而在檢測系統設計中,富士康說明依照不同檢測需求,在一般簡單外觀判斷其實使用Jetson系統效能就能實現,但在此次展示的主機殼側板檢測流程因為包含外觀瑕疵、金屬板邊緣凹折弧度是否符合要求等項目,因此採用的是Tesla T4 GPU組成系統,搭配多組鏡頭進行電腦視覺辨識,藉此實現辨識精度可達98%以上,並且超越人眼視覺所及檢視細節,讓整個檢測系統可以完成過往必須花費400人左右進行檢測的工作流程,甚至目標希望能使單次可完成800組物件檢測數量提高至1200組。

在學習訓練方面,富士康會預先透過瑕疵範例圖像讓系統進行前期訓練,爾後套用在新零件的辨識學習所需時間基本上只需花費3天即可完成,同時隨著持續學習累積經驗,理論上也能讓相似零件的辨識學習時間縮減,但為了維持一定辨識精度,基本上還是會以3天學習訓練時間長度為主。

此項辨識系統除了應用在富士康武漢生產線,未來也有可能應用在其他產線,甚至可能應用在零件相對簡單、複雜度比較不高的生產零件檢測。

這樣的情況,其實也說明雖然電腦視覺等人工智慧技術應用,似乎已經可以取代部分傳統人力需求,但諸如手機等相對複雜的零件檢測,現階段可能還是會仰賴人工檢測居多,其中因素可能包含現行檢測系統辨識精度,以及整體建置成本與傳統人力成本比較。

不過,依照富士康未來發展目標希望走向全自動化產線運作模式,顯然接下來也會持續藉由電腦視覺等人工智慧技術導入,讓產線運作成本能更進一步精簡。

除了富士康,其實現在已經有越來越多產線、工廠、農場都已經開始導入電腦視覺應用等人工智慧技術,例如亞馬遜很早之前就已經開始導入機器人協助揀貨、分貨,而不少現代化農場也開始透過電腦視覺技術判斷農作物良率,意味傳統單純僅以人力完成的工作,逐漸可由電腦系統取代,但在需要人腦做進一步判斷,以及更精準操作的工作方面,傳統人力依然會有其不可取代性。

是富士康藉電腦視覺加速代工產線運作效率,未來目標實現全自動化應用這篇文章的第3圖

傳統產線檢測需要透過大量人力,以肉眼方式進行檢測,但可能會有疲勞等因素影響檢測精度

是富士康藉電腦視覺加速代工產線運作效率,未來目標實現全自動化應用這篇文章的第4圖

精簡地來說,富士康此套檢測系統就是藉由多組鏡頭捕捉影像資訊,並且透過Jetson AGX或Tesla T4進行電腦視覺學習加速,讓系統能針對實際拍攝影像比對生產零件是否符合規定

是富士康藉電腦視覺加速代工產線運作效率,未來目標實現全自動化應用這篇文章的第5圖

檢測系統內部結構

是富士康藉電腦視覺加速代工產線運作效率,未來目標實現全自動化應用這篇文章的第6圖

預先透過瑕疵範例圖像讓系統進行深度學習

是富士康藉電腦視覺加速代工產線運作效率,未來目標實現全自動化應用這篇文章的第7圖

透過多組鏡頭進行拍攝

是富士康藉電腦視覺加速代工產線運作效率,未來目標實現全自動化應用這篇文章的第8圖

實際運作流程

是富士康藉電腦視覺加速代工產線運作效率,未來目標實現全自動化應用這篇文章的第9圖

通常單一零件會針對外觀塗裝瑕疵、外型凹折弧度等是否符合規範,並且透過前期學習讓系統建立基礎判斷模型

是富士康藉電腦視覺加速代工產線運作效率,未來目標實現全自動化應用這篇文章的第10圖

電腦檢測系統會透過鏡頭、GPU元件協助學習加速

回應 0