協助智慧工廠獲得無懈可擊的機器視覺

July 28, 2022

Christina Cardoza

機器視覺相機

過去幾年，製造商為了精簡營運方式飽受壓力。徹底改變智慧工廠是其中一個方法。所謂的徹底改變可能涵蓋很多層面，其一是採用攝影機系統締造機器視覺。在機器視覺解決方案採用 AI，但這種解決方案似乎卻比問題本身更嚇人，尤其是身邊若沒有資料科學家或 AI 開發人員則更令人膽戰心驚。

Mariner 是善用物聯網、AI 和深度學習的技術解決方案供應商，該公司的行銷副總裁 David Dewhirst 為我們解析了這個情勢。David 將焦點放在 Mariner 關鍵的專業領域，也就是充分運用機器視覺和 AI，在廠房締造品質保證，因為誠如他所說，品質並非憑空而來。此外，事先在廠房為品質付出代價，遠遠勝過為產品粗製濫造而在商譽上付出代價。

這對智慧工廠來說代表什麼意義？

我習慣區別資料與資訊之間的不同。資料僅僅是輸入，而且無所不在。您必須以某種方式轉換那項資料，才能像利用資訊般充分發揮資料的用途。思考智慧工廠或連線工廠時，我會將廠房固有的所有資訊都納入考量。那麼，您如何連結所有的資料？此外，您如何處理那些資料，從中獲得實用的結果，並取得資訊？此外，利用全新的感應器與技術，能夠真正提升製造業的頂尖水準。

在這趟邁向智慧工廠之旅，製造商的表現如何？

事實上，這個領域的專案失敗率頗高。儘管如此，還是得放手一搏，因為所有的競爭對手紛紛加入這個行列。如果不這麼做，遲早會落於人後。

在我看來，這些專案失敗時，是因為製造商尚未想通他們打算怎麼做。雖然知道必須加入這個行列，但他們的初衷未必是為了解決某個特定問題。不過，我認為任何智慧工廠計畫都該用那種方式進行。如果您的工廠正全力推動數位轉型，雖然尋找使用案例的作法可能並不帥氣，不過卻能解決最大也最嚇人的問題。我們的解決方案極端側重於改善工廠的瑕疵偵測，所以這算一種使用案例。

另外，務必找到可向各層級員工銷售的使用案例，其中包括受該使用案例影響的工程師，也涵蓋負責開立支票的決策者。接著，您便能踏上方向明確的智慧工廠之路。清楚識別使用案例有助於銷售專案，並且幫助您解決它；如果是偵測瑕疵方面的問題，您可以尋找專精此道的公司，例如 Mariner。接著，您或許會識別出之後可以處理的其他使用案例。

找遇到問題的人談談，是識別這類使用案例的最佳方法。找廠房員工、工程師，也就是在現場工作的人聊聊。他們通常都對日常問題略知一二；他們甚至可能會壓抑問題，或是在有解決方案的前提之下，直接設法改善問題。另外，找職位比您高的人談談。對他們說：「我們的錢都花到哪裡去了？」

機器視覺對智慧工廠的重要性為何？

說到工廠環境中的機器視覺或攝影機系統時，通常是指類型和位置固定的固定攝影機。它們是為生產線所量身自訂。為了鎖定該生產線的特定產品，這些攝影機的設計會參考其位置、照明以及設置。攝影機的重要性在於它們改善品質控管程序的能力。

不是有個品質總成本的概念嗎？出廠時若要有優良的品質，就必須投資廠房。或者，如果不這麼做，大量退貨和保固索賠一定會找上門。不在廠房的品質成本上花錢，意味著您日後依舊得為品質成本付出代價；只是到時候的錢是花在取消合約以及不良的品牌聯想。

付出這類代價最便宜且 ROI 最高的方式，就是投資廠房的品質。這並非新穎的概念。自從第一條組裝線在密西根州迪爾伯恩問世以來，就有人在生產線末端檢查產品，負責品管。協助這項工作的機器視覺系統或攝影機系統，早已問世數十年之久。由於這類系統在檢查不同零件時能維持一致，因此極為實用。正如我剛剛說過，系統檢查方式之所以一致，是因為攝影機的位置非常固定。

AI 如何協助讓這個程序更上層樓？

過去幾十年來，機器視覺系統在解決二進位問題方面極為出色。舉例來說，這個零件有孔，或者這個零件沒有孔？這屬於二進位的問題：是或否。使用傳統的程式設計極為容易，仰賴是非題即可得到是/否的答案。

然而，如果不是二進位的問題會發生什麼事？如果問題並非是否有孔會怎麼樣，如果舉例來說，您要瞭解的問題是，這是布料上的油漬還是棉絨呢？兩者都有點模糊。或許油漬稍微比較模糊，棉絨比較不模糊，但您必須在模糊度之間劃出武斷的界線。那麼，如果之後出現比您界定的界線稍微模糊一點的棉絨，又會發生什麼事？這就可稱為瑕疵。如果油漬比您預期的模糊程度稍低，會發生什麼事？這個油漬不會被發現，因為您可能會認為那是棉絨。這正是 AI 派上用場的時候。

有了機器學習和深度學習技術，您無須針對是/否的答案界定武斷的界線。您利用足夠的油漬和棉絨範本就能訓練 AI，而且 AI 會自行學習兩者的差異。AI 可解決過去光靠傳統程式設計無法徹底解決的那種難題，因此您通常可利用視覺系統和攝影機系統為您代勞，改善一直以來差強人意的表現。

如果製造商缺乏 IT 或 AI 支援該怎麼做？

我們 Mariner 會利用工具。我們會請品管人員為有瑕疵的產品拍攝影像、將影像上傳至工具，然後在四周畫一個小盒子。這樣一來，品管人員就能發揮所長，檢視影像後指出瑕疵。我們可以善用這個方法，然後發揮我們的長才，也就是資料科學。我們的資料科學家會建立那個 AI 模型，所以廠房不需要任何資料科學人員。這件事交給我們。

其他公司出品的其他解決方案和其他空間出廠的是預先組裝模型。那些模型未必可行，取決於預先組裝模型與廠房特定情況的相符程度。

資料收集與處理都在哪裡進行，是邊緣還是雲端？

視情況而定。如果全廠有 10,000 個感應器，而且您會產生好幾 TB 的資訊，那麼就必須在雲端進行。若為機器視覺，對於雲端的依賴程度則稍低。Mariner 透過旗下的 Spyglass Visual Inspection 解決方案（SVI），其實是採取混合式解決方案。原因在於，若是即時瑕疵偵測工作，我們來不及往返於雲端。我們實際的瑕疵偵測和 AI 推論工作是在廠房進行，因為這樣一來，即時網際網路中斷連線，生產也不會停擺，廠房也不會關門。

我們也利用雲端。SVI 的設計可在無人監控的情況下執行，但工程師之後可檢討 AI 所做的決定。如果 AI 出錯，工程師可加以修正。修正的結果會上傳至雲端。另外，如果 AI 模型必須重新訓練，我們可以在雲端進行，因為過程無需即時連線。

為了讓所有環節都銜接起來，您如何與這個生態系統的其它合作夥伴合作？

首先，我們不販售攝影機，我們屬於 AI 軟體即服務 (SaaS) 解決方案。如果您需要攝影機，我們合作的視覺整合商可為您挑選合適的攝影機。總體來說，攝影機不是我們關心的環節；我們可以利用您現有的任何攝影機，也可以陪您選購攝影機。

其二是合作夥伴，由於我們需要強大的處理功能，因此我們在廠房與 Intel^® 和 Nvidia 密切合作。我們出廠的是 AI 軟體即服務 (SaaS)，諷刺的是，它將會透過伺服器方塊的方式交付給您。我們之所以採取這個方法，是因為這樣一來我們就能隨心所欲建置這些伺服器方塊。因此，針對重量級處理作業，我們採用 Intel^® Xeon^® 晶片，另外搭配 Nvidia 顯示卡提供額外的 GPU 運算效能。

我們也與 Microsoft 合作，通常是在 Azure 方面。Azure 有很多預建的服務和其他功能供我們使用，而且在安全與速度和其他重要環節方面我們也很放心。