機器視覺正在帶動品管轉型。現代的檢驗系統能做到的遠超過接受或拒絕零件。託深度學習的福，它們能自動調整製造程序，減少浪費與效率低落的情形。

請考慮焊接和 3D 列印等積層製造程序。這些程序對溫度、產線速度、機器校準，以及材料多樣性等因素極為敏感。當參數脫離規格，可能很快就會產生無法使用的零件。

標準的檢驗系統可能可以辨識錯誤的零件，但無法找出異常的原因。這時便需要人力介入，只有在檢驗遭到捨棄的零件後，才能調整製程。相反的，深度學習檢驗系統可提供關於問題本質的更深入洞見。

請想像一種金屬積層製造程序。標準的檢驗系統只能評估完工的成品，進行簡單的接受或拒絕決定。相反的，深度學習系統可監控製造程序本身，持續評估熔融金屬流向的一致性。這可在問題發生時提供進行修正的機會，挽救可能遭到拒絕的零件。

在更傳統的製造產線上，深度學習系統可做出指示 PLC 以降低產線速度，或是提高製程溫度等調整。這種持續的調整可大幅減少遭到捨棄的零件數量。

部署挑戰

對開發者來說，找到部署機器視覺的方法是一種挑戰。有一種常見的方法是以圖形處理器 (GPU) 為基礎來打造客製化硬體。雖然這種方法可能可以提供所需效能，但 GPU 通常無法滿足工業產業對於可靠度的要求。電源也是一個問題，因為 GPU 會越運轉越熱，需要冷卻風扇，這並不是很適合嚴苛的工業環境。

完全自訂系統所需付出的努力也是一種問題。除了建造客製化硬體的基本難度以外，工程師還需要將設計整合至控制迴圈內。考慮到用於控制工業設備的 PLC 的專業性，這可能會帶來前所未見的挑戰。

更簡單的 AI 整合

為了解決這些問題，SIEMENS AG 與 Intel^® 攜手合作，為 Siemens SIMATIC S7 系列的 PLC 開發全新的深度學習模組。「使用此模組，人們只要增加用於現場推斷的 AI 延伸模組，就能擴增控制機器的現有 PLC 系統，」Intel 技術客戶經理 Thomas Dietrich 表示： 「若您已經安裝 SIMATIC S7-1500 控制器，那麼這會是一個很簡易的附加元件。只要插入 AI 延伸模組與攝影機或非視覺感應器中，便可完成硬體設置。」

SIMATIC S7-1500 TM NPU 是一種 PLC 延伸模組，以 Intel^® Movidius^™ Myriad^™ X 視覺處理器 (VPU) 為基礎。專為符合電源效益的 AI 所設計，此 Intel 技術可讓模組處理來自多個攝影機串流的最多 720 組立體像對，且僅需要使用被動冷卻，以近乎即時的速度運行電腦視覺，無需犧牲耗電量或準確度。解析度比其他 VGA 解析度的平台高 3 倍，且比 30 Hz 的平台高 6 倍。

模組會處理視覺資料或是音訊或振動等非視覺資料，並將分析結果透過底板傳送至 PLC。接著 PLC 會執行控制演算法，以分析資料做為輸入值，並調整控制流程。

圖 1 展示產線在取放物料情境中運用此系統的範例。生產物件進入左側的輸送帶。上方 LED 照明設備照亮該物件。安裝於平台上的攝影機取得影像，並將其傳輸至 PLC 延伸模組。接著，PLC 引導機器手臂抬起物件，並放置到右側的輸送帶。

圖 1. Siemens 視覺系統在取放物料等多種使用案例上表現優異。（資料來源：Siemens）

透過用於抓取的 AI 模組，模組會在微秒內計算數百個抓取點，並選擇最適合該特定物件的抓取位置。其後便可將此資訊傳輸到控制機器手臂的 PLC 上，以最佳方法拿取物件 — 可使用 PLC SIMATIC S7-1500 系列等專用硬體，或是搭載於電腦之可為額外應用提供 Windows 分割區的 SIMATIC ET 200SP Open Controller v2。

編按：此示範將在 2019 年 4 月 1 日至 5 日於 Hannover Messe 展示。想要親自參觀的話，請前往展廳 9，攤位編號 D35 造訪 Siemens 攤位。

這樣的自動化能節省大量的人力。「舉例來說，在現今各自分離的製造產線中有很多的手動程序，比如仰賴肉眼進行的品管，或是 PCB 製造上的通孔插裝技術等混合零件安裝，」Dietrich 說： 「這些使用案例可透過 AI 增加自動化程度，以改善品質及/或產量。」

除了透過機器手臂舉起物料之外，PLC 亦可直接引導其他類型的工廠裝置，例如之前提到的焊接設備或 CNC 機器工具等。事實上，系統甚至並非侷限在視覺方面。「主要的使用案例為影片，但也可用來進行其他事項，」Dietrich 表示： 「這開放了一系列不同的使用案例可能性，例如振動，甚至是聲音分析等，以進行預測性維護。」

打造 AI 模型

當然，除非您建立了深度學習模型，否則這些優異的硬體都無法發揮作用。又一次地，Intel 和 Siemens 攜手合作解決這個問題，整合他們的工具鏈，打造端對端解決方案。

由使用 Caffe 或 Tensorflow 等最受歡迎的 AI 架構開發深度學習模型開始，可在之後加以最佳化，並經由 SD 卡搭配小型的應用程式部署至模組中。一般來說，您可以使用現有的免費 DL 模型開始著手，並透過可用的製造資料重新訓練，將其調整成配合您的特定使用案例。從此之後，模組便可配置到 Siemens Engineering 架構 TIA Portal 中，以導入並運用來自 PLC 程式中 TM NPU 模組的資料。

（不久的）將來的計畫是能夠提供 AI 工作台，以簡化建立、部署和實現工業 AI 解決方案的程序，讓它們不再僅能由 AI 專家使用，而是讓所有自動化工程師都能運用。

機器視覺的嶄新面貌

對製造商而言，這種更簡單的機器視覺方法開啟了大量的可能性。不再受限於只能在事後修正問題，製造商可以持續調整製程，將效率提高到最大程度。透過 Siemens 所追求的高度整合方法，製造商能以前所未有的速度，讓這些機器視覺系統派上用場。