AI趨勢周報第151期：更多製造業AI落地，從違規入場取締、PCB瑕疵檢測、精密加工異常、製程良率優化都有新作法

 和盈光電   AI應用實例   瑕疵辨識 

合盈光電PCB瑕疵檢測改用AI辨識，TNR準確率可達99.96%

光學元件設計製造廠合盈光電，每月生產約3～4萬套相機模組，但在設置的四個檢查站中，原先只有6位檢查員來人工目檢外觀瑕疵，由於目檢人員流動率高、不易找到新人，因而成為廠商生產作業中的一大痛點。為此，工研院針對相機模組中印刷電路板（PCB）的人工焊點，訓練出瑕疵辨識模型，來取代原先人工目檢的方法，目前已經可以達到漏檢率（FNR）0.25%、篩除率（TNR）99.96%的高準確率，不只能大幅降低查驗人員的檢測數量，更能提升檢測效率。

工研院開發的瑕疵辨識模型，是運用了自主研發的多重特徵影像檢測技術（Deeply-Fused Branchy Networks，DFBN），這個技術的深度學習網路架構，包含了有多個較小但結構完整的分支神經網路，結合了多層數神經網路與少層數神經網路能辨識不同類瑕疵的優勢，來對瑕疵影像進行協同決策，提供最佳化的分析結果，能更進一步提升瑕疵檢測的準確率。

 永勝光學   AI應用實例   印刷品校稿 

永勝光學導入AI來取代人工校稿作業，縮短5倍作業時間更能適用多國語言

光學設備製造商永勝光學，同樣運用了工研院研發的多重特徵影像檢測技術（DFBN）來進行瑕疵檢測，但，應用場景是在說明書、包裝盒等印刷品文字及圖案的校稿檢測上。比如在設計端，需要將原稿與美工編輯後的圖檔進行比對，來檢查在美編過程或轉檔時是否產生錯誤，或是在產線端印刷完成後，也需確認印刷成品與原檔資訊一致。過去，由人工來檢核一件印刷品，需要花5分鐘的時間，為了加速檢測作業，永勝光學導入AI自動擷取特徵資訊來進行比對，能將校稿時間降至1分鐘以下，縮短5倍以上的檢測時間。

這項技術的另一個優勢，則是能適用於各國語言的檢測，比如英文、阿拉伯文、德文均適用，能防止語言文字不通，人工檢測疲勞而導致的疏漏問題。

 曜凌光電   AI應用實例   製程參數最佳化 

曜凌光電透過2種AI模型，找出製程參數與產品品質的交互關聯來加速研發

製造業製造產品時，會需要設定大量製程參數，比如顯示器製造廠曜凌光電在蒸鍍製程與投料上，需要設定如燃燒溫度、功率、使用前預熱、靶材消耗等參數，這些參數的不同會影響產品品質。為了提升良率，曜凌光電希望找出一個能透過製程參數預測產品品質的模型，再藉由模型提供的關鍵參數，來進行最佳化的製程參數調校、分析大量製程參數的交互影響，或是在品質檢驗前就先預測產品品質，並在產品發生不良快速找出不良原因。

也因為過去的參數優化模型只能針對單一產品製程來分析，難以進行大規模的擴散，曜凌光電也希望建立一個泛用模型，來預測多種產品的製程品質，由於各產品製程受到各項變數的影響程度不同，透過剖析製程中各變數對結果值的影響程度，就能找出影響製程的關鍵參數，進而將參數最佳化，在實際應用場景中，甚至能用於新品的開發，來減少實驗次數、降低開發的時間與成本。

曜凌光電透過工研院的點子創新平臺AIdea提供製程資料，來徵求產品品質預測AI以及多樣態產品製程參數優化AI的解方，目前點子徵求競賽已經結束，也已經徵得好點子，將AI模型實際導入應用場景中。

 元翎精密   AI應用實例   疊料偵測 

元翎精密在金屬製程中運用AI，來排除疊料異常減少設備故障

金屬製造業元翎精密也在製程中導入AI。這項AI應用在疊料的排除上，也就是在金屬圓片完成沖壓之後，會進入連續引伸（鍛造工序之一）的製程，但在沖壓製程中產生的毛邊，可能導致圓片疊料，若沒有及時發現就進入引伸段，可能會造成設備故障，屆時就需耗費1天的時間重新調整參數才能排除故障情形，更可能因此損壞模具。因此，元翎精密在金屬圓片進入引伸段之前，運用工研院的技術，在圓片移載料臺加裝了一個高度感測設備，透過量測圓片厚度來找疊料情形，一旦發現就停止機器運行，等到排除疊料狀況再繼續生產。

 開源CNN架構   HarDNet   邊緣運算 

國產開源CNN架構HarDNet部署邊緣運算裝置，獲全球影像辨識評比前五強

去年開源CNN架構HarDNet的清大林永隆教授團隊，今年將HarDNet實際部署在算力較低的邊緣運算裝置上，並參加全球低運算電腦視覺競賽（Low-Power Computer Vision Challenge，LPCV）來驗證HarDNet的表現。

其中在FPGA類別的評比中，由於評分標準取決於模型精準度與速度，團隊運用HarDNet68及HarDNet39分別訓練了兩個影像分類模型，來針對ImageNet的1,000種物件類別進行辨識，HarDNet68因網路層數更多，辨識率相對較高、達到86.9%，但辨識速度較慢，HarDNet39則相反，儘管辨識速度能快上三倍，但辨識率降至73.5%。經過評比後，得獎的為HarDNet68的模型，獲得LPCV全球第二名的佳績。（詳全文）

左邊為HarDNet68模型的辨識成果，右邊為HarDNet39的辨識成果。後方更搭載了FPGA晶片來實際進行演算。

 Google AI   樹冠實驗室   樹木分佈地圖 

Google成立樹冠實驗室，將航空照片結合AI來規劃樹蔭

過去當城市要規畫植栽時，通常必須曠日費時地進行田野調查，或者只能仰賴過時的紀錄、不完整的研究資料等。但Google成立的樹冠實驗室（Tree Canopy Lab），先利用飛機拍攝的航拍照片，並輔以Google AI與Google Earth Engine的資料分析能力，找出城市中的樹木分布與其密度，再以近紅外線（near-infrared）照片來偵測人眼看不到的顏色與細節，並比較不同的角度來建立高度圖；接著，還利用專門偵測樹木的AI自動掃描這些照片，找出樹木的位置，建立一個能夠展現樹木覆蓋區域（樹冠）的地圖。如此一來，就能進一步辨識出具高植樹潛力的住宅區，或是找出因樹冠覆蓋率太低而可能曝露在高溫下的人行道，來規劃植樹區域。（詳全文）

 AI趨勢近期新聞 

1、Apple釋出專為Mac最佳化的TensorFlow版本

2、結合快閃記憶體與FPGA，三星與賽靈思合推運算固態硬碟