基於AI的智能化檢測檢視原始碼討論檢視歷史

來自 搜狐網 的圖片

基於AI的智能化檢測本次項目通過將AI人工智能與工業檢測相結合，將人工智能檢測運用於半導體面板行業，實現了面板的全面智能檢測，從而解決了之前的面板檢測效率低、速度慢、精確度低等問題。

一、案例簡介

半導體面板的檢測耗費大量人力且檢測過程中人員檢測並不準確，其檢測後的數據也無法整合進行運用，針對這一現象，本次項目中企業導入大數據分析系統與AI診斷學習系統，實現AI自感知，自學習，自決策，自執行；導入實時排程，實現生產線的自動實時排產。實現了面板AI的智能化監測。解決了傳統視覺中未出現過的缺陷無法識別、傳統視覺項目周期長、驗證慢等問題。提升了檢測效率，同時節約了人力資源降低了生產成本，提高了生產良率。

二、案例背景介紹

面板行業投資大，設備昂貴，產品的成本都很高，企業從各方面儘可能的減少各項成本，同時以其極致良率來降低損失成本；而隨着面板行業高規格多樣性等產品技術趨勢，面臨的成本和良率挑戰將更大，就急迫的需要新的技術提供新的方向。

面板的產品要經過近40道工序，每個產品在這些工序中需要管控約2.5萬個參數，每天有超過2TB級的生產數據產生及被收集；整個生產流程中有近100個檢測站點，其中光學和點燈站點每天需要判定的圖片數量超過200萬張，需要大量的人力。傳統的AOI（自動光學檢測）設備可以鎖定產品缺陷和自動拍照，但檢測人員依據經驗規則對缺陷進行分類判定，存在偏差浮動大、檢測效率低、勞動強度高、人力成本高等挑戰。因此本項目引進了AI智能檢測技術實現面板的智能化檢測，ADC系統利用大數據、AI深度學習、機器視覺等技術，將產品圖像與已知缺陷圖像庫進行比對，通過先進的算法模型，智能檢測缺陷種類，自動分析異常並給出解決方案。通過該系統與現有檢驗流程的集成，夠迅速啟動和運行該解決方案。

三、案例應用詳情

企業聯合外部廠商導入圖像識別技術ADC，實現面板AI的智能化檢測；導入大數據分析系統，突破人員經驗從海量數據里找到異常真因並監控實時攔截；導入虛擬量測，實現產品實時預測全檢；導入全面的AI自動診斷系統，實現AI自感知，自學習，自決策，自執行；導入實時排程，實現生產線的自動實時排產。

本項目是國內面板業缺陷判別的首例人工智能落地項目-AI圖像識別技術-ADC，其代替人員進行缺陷判別，目前已全面上線，在每天幾百萬張圖片量的生產線上，實現了缺陷判別站點人力50%的替代以及5~10倍速度的提升，對降低人力成本的貢獻是非常巨大的。

ADC除了人力的貢獻外，因AI識別的持續穩定和高效，能比人員判定更準確，同時更早的發現異常，在良率提升方面也有一定的貢獻；而對良率更有效的提升來自於AI診斷。項目導入AI系統解決了機台參數及產品缺陷無法實時監控問題，做到及時分析數據，及時攔截異常，減少異常品生產；同時利用深度學習算法建立產品預測模型也就是虛擬量測，及時預測產品品質，並聯動生產系統實現自動攔截異常。AI診斷已在企業產線全面導入，建立了近50萬個模型，結合大數據分析系統優化規格，讓模型更科學、合理，減少過殺漏放，實現年攔截效益近一億。AI診斷的全面導入，對良率提升的貢獻不僅有效的推動製造工廠的高效運作，提升產品的市場競爭力。

四、創新性與優勢

隨着人工智能的發展，製造企業開始引進人工智能檢測技術來對產品外觀缺陷進行檢測，減少了人工成本，還大大提高了檢測的精度和效率，給企業帶來了更好的聲譽和更大的收益。人工智能檢測設備對產品外觀缺陷檢測效果驚人，與人工相比，它有着巨大優勢。

1、人工智能檢測，降低人力成本。人工智能（AI）視覺檢測系統檢測速度快，每台設備可代替10人，且可24小時不停檢測，人力成本可節約80%以上。

2、精確識別細微缺陷，提高檢測效率。解決了細微缺陷，肉眼檢測容易漏檢、誤判的問題。

3、滿足客戶動態品質管控需求。人工智能視覺檢測系統可根據工單為不同種類的缺陷設置不同的分選條件，以滿足不同批次產品的質量需求。

4、根據查詢系統，開展產品質量追溯。檢測數據與圖片信息保存於數據庫服務器，歸納及分析缺陷檢測結果，實時開展產品質量追溯。[2]

本項目中將人工智能應用於半導體顯示行業，對於人工智能AI在工業檢測上的應用具體借鑑性意義，目前人工智能與工業檢測相結合，在企業智能化升級中發揮着重要作用。

五、案例應用效益分析

構建計算機視覺識別系統（ADC），替代重複勞動人員作業，實現產品質量提升。檢測效率大幅提高，其中整體生產效率相比之前提升6%；避免因人員主觀檢測造成的偏差，準確率提升2%；減少人力成本，綜合效益提升1500萬/年。