Skip to main content

人工智慧

協助智慧工廠獲得無懈可擊的機器視覺

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。

您還有任何要補充的地方嗎?

雖然您未必需要 Mariner 的解決方案,但是您必須有工業物聯網和 AI 才能進步。事實上,雖然有鑑於您的使用案例,您未必需要 AI,但是絕對需要某個種類的工業物聯網。我主要會鼓勵大家思考適合他們的使用案例和情況。找到案例、加入我們的行列,不要成為最後一個上車的人。

相關內容

若要進一步瞭解瑕疵偵測,請閱讀 有保障的機器學習模型,以及收聽您可仰賴的產品瑕疵偵測:與 Mariner 攜手合作。如需瞭解 Mariner 的最新創新技術,請上 Twitter 關注 @MarinerLLC,以及上 LinkedIn 關注 Mariner

 

本文由Erin Noble編審

作者簡介

Christina Cardoza is an Editorial Director for insight.tech. Previously, she was the News Editor of the software development magazine SD Times and IT operations online publication ITOps Times. She received her bachelor’s degree in journalism from Stony Brook University, and has been writing about software development and technology throughout her entire career.

Profile Photo of Christina Cardoza