Chernger, your changer.

AOI 檢測機台採用傳統程式與AI人工智慧何者為優 ?

AOI 檢測機台採用傳統程式與AI人工智慧何者為優 ?

這兩者各有優缺點。

開發速度而言純就演算法的部分，AI的開發速度是可以快一些。
檢測速度來看就未必能分出何者比較快，需要看檢測的內容和背景的複雜度而定。
AI的優勢:

  • 產品需要有足夠的瑕疵樣品，它可以快速地做學習，高效能的AI可以在2分鐘左右就學習完100PCS 5M的NG照片。並且可以產生原始碼加入系統程式中。

  • 產品因製程變化需要調整演算法，它一樣可以快速地做學習，並且可以產生經驗參數加入系統程式中。

  • 產品需要累積經驗要調整演算法，它一樣每一批產品把NG或是誤判的部分拿來作快速學習，並且可以產生經驗參數加入系統程式中。
  • ​即使產品在成像時較為模糊，對焦不清晰的情況，透過學習更多的照片仍然有可能可以找出瑕疵。
AI的劣勢:
  • 產品需要進行量測長度、直徑等重複精度要求高的項目時，AI無法比傳統程式寫的更好。
  • 硬體要求高。不論是在訓練模型、實際測試時，AI都需要用到大量的運算資源，一般沒有加裝GPU卡的電腦需要執行的時間是有裝GPU卡的數倍以上。
  • 訓練前的標示(Label)所花費的時間過長。即使現在已經諸多方便的標示工具及軟體，Labeling依然是許多工程師花最多時間的項目。分析公司Cognilytica指出，AI在Labeling(標示)、Cleaning(清理)、Augmenting(調整參數)等處理資料的時間大約占了總時間的80%
 

傳統程式的優勢:
  • 當瑕疵檢測需要極高速的運作如每秒100PCS以上，這種高度優化以MCU為運算主軸時，傳統程式可以調整的空間大，有較佳的表現。
  • 當瑕疵檢數量極少，產品良率都在99.7%以上時，NG的樣品取得不易，AI的方法很難處理未知的瑕疵，傳統的程式 卻可以以一般平面或是邊緣檢測的概念處理得很好。
  • 當需要少量多樣時，無法經常停機做深度學習時，傳統的程式 可以以一般通面或是邊緣線做檢測，可以適應的效果較佳。
傳統程式的劣勢:
  • 隨著瑕疵檢測的項目越來越多，工程師要不斷的開發新演算法來對應新型瑕疵的特徵，花費的成本較高，時間也長。
  • 傳統程式的演算法對於雜訊干擾(例如光線、震動等因素)影響非常大，對於抵抗外在干擾的穩定性較差。
  • 開發時間長。即便前面提到AI花了非常多的時間在Labeling，然而傳統程式整體所需要花費的時間還是比較長。一般新開發案，從軟體驗證、硬體整合測試 到 產線上實際測試，每個階段都會產生許多新問題需要克服。
 

晟格AOI瑕疵檢查機


相關文章

 
 
AOI 檢測技術
 

AOI + AI 是未來的趨勢嗎?

先公布答案，是。而且AI 正在席捲幾乎所有的產業，因為他的應用實在太多、太廣泛了。AI不僅帶來AOI技術上的革新，也讓許多產業面臨人力取代的失業問題。

黑色油封能用AOI檢測瑕疵嗎?
 

黑色油封能用AOI檢測瑕疵嗎?

在一個夏日的午後，一個業界的朋友阿雄來電詢問，「我有個有趣的問題想請問您，黑中黑的物件能不能用AOI檢測?」。 我說拿來看看才知道，也許有解。

AOI 鏡頭的選用(一)
 

AOI 鏡頭的選用(一)

檢測的機構通常無法精準的定位量測位置偏差小於0.01mm 反而是常常大於2mm-5mm。這時候重複精度就會變得很差。例如 樣品的圓直徑在鏡頭正下方測得50mm。與2.5D量測機台數據相當。