目錄
|
|
|
|
專輯前言 |
|
| 應用影像辨識結合深度學習於面板瑕疵之自動化檢測系統 | |
| 抗多次反射干擾之線雷射三角位移計 | |
| 基於卷積神經網路之自動辨識鐵釘瑕疵 | |
| 不同影像處理方式結合Mask-RCNN 辨識砂紙表面缺陷 | |
| 基於不平衡影像數據之Micro LED 晶片瑕疵檢測 | |
| 深度學習和影像處理技術辨識LCD 陣列殘留物和自動規劃雷射光切割線段 | |
前言
後疫情時代經濟活動復甦，生活恢復常態，然而生產模式在疫情趨使下已積極轉型，藉由自動化系統的導入，以降低人員的接觸與流動，傳統所倚賴的人工製造，幾乎已被自動化及智慧化所取代，精密量測成為產品競爭的關鍵。其中自動光學檢測技術(AOI)，隨著AI技術的進展，在AOI+AI的加乘應用中，逐漸擺脫傳統AOI技術的限制，突破原有AOI檢測易產生「過殺」的缺點，結合AI技術的AOI，藉由更加成熟發展的人工智慧，透過深度學習的訓練，將能以更精準的辨識能力提升製程良率，滿足產業對高效率、高品質的生產需求。
自動光學檢測設備聯盟(AOIEA)是目前國內最重要的產業聯盟之一，擁有會員廠商近400家，每年皆定期舉辦大型AOI論壇活動，促進台灣AOI產官學研各界技術與市場資訊之交流。本刊特與自動光學檢測設備聯盟合作，節錄去年第二十二屆全國AOI論壇與展覽之論文，藉由各界對機器視覺檢測及深度學習之研究，為客製化高階產品鋪路，提升產業市場競爭力。本期精選論文如「應用影像辨識結合深度學習於面板瑕疵之自動檢測」即是針對面板產業高階產品品質及少量多樣化生產需求，所開發之自動化瑕疵檢測系統，結合AI深度學習，以減少生產流程中的瑕疵誤判，達到100 %全檢目標，並透過線上檢測系統，即時掌握產品狀況。另有以影像處理技術結合深度學習應用於LCD陣列殘留影像辨識及MicroLED晶片瑕疵檢測等研究，皆可推升面板產品之國際競爭力。
本次另針對工業界常用之光學感測器如「以抗多次反射干擾線雷射三角位移計」可解決散射式雷射三角位移計的多面反射干擾問題，達到快速量測曲面樣本之3D輪廓的能力。「卡賽格林光學系統之干涉儀輔助組裝定位之研究」以干涉儀量測技術輔助卡塞格林式光學系統組裝提升調校精度，再經由光學設計程式進行最佳化分析，透過輔助治具進行調整滿足系統光學元件最佳位置之要求，以此法重複循環可將光學系統提升至最佳成像品質。此外針對傳統產業升級之應用，如「基於卷積神經網路之自動辨識鐵釘瑕疵」將深度學習引進工廠，運用監督式學習網路，建構一套鐵釘的瑕疵辨識方法，同時利用圖像擴增影像處理等方式，提升系統深度學習訓練成效。「不同影像處理方式結合Mask-RCNN辨識砂紙表面缺陷」透過Mask-RCNN應用，不僅可以檢測出缺陷種類，同時也能標記出現在圖像上的位置。皆是透過AOI+AI的應用，縮短生產時間與成本提升品質之研究。
今年自動光學檢測設備聯盟「第二十三屆全國AOI論壇與展覽」已訂於9月28日舉行，本刊將持續與聯盟合作，邀集前瞻論文投稿，攜手推動台灣AOI+AI之技術發展，迎向智慧製造時代嶄新面貌。
應用影像辨識結合深度學習於面板瑕疵之自動化檢測系統
摘要:
近年來友達布局中高階、客製化產品，朝向少量多樣及醫療產品發展，因此產品的品質及良率提升成為首要任務，面板瑕疵可區分為外觀瑕疵及金屬線路包括，刮傷、延裂、缺角、破片、線路斷線、線路刮傷、金屬殘留、金屬異常……等等，這些瑕疵會影響到面板成像的畫面狀況。
但因面板線路設計複雜，且產品多樣化，讓傳統的機器視覺很難進行檢測，容易將缺陷與線路混淆，過往必須依賴人工將面板利用背光或是強光燈反射進行目視 方式 抽檢，來確認面板瑕疵，此檢測方式易受到背光亮度或強光燈光線反光照射使得眼睛疲乏導致品質缺失，檢測品質也容易因檢測人員不 同而有所差異。因此這種檢測方式已漸不符合對高階產品的品質及少量多樣化生產需求。
為解決這個長期痛點，本文開發面板自動化瑕疵檢測系統，運用自動化光學檢測(Automated Optical Inspection; AOI) 技術檢測出疑似瑕疵，並結合 AI 深度學習，有效降低過篩機率，降低傳統 AOI 方案的誤殺率，來幫助工廠來減少生產流程中的產品瑕疵誤判和縮減生產時間與成本，達到 100 % 全檢目標。產線人員可以透過線上檢測系統，更即時掌握產品的生產狀況。。
抗多次反射干擾之線雷射三角位移計
摘要:
散射式雷射三角位移計用於工件輪廓檢測，若待測面出現直角轉彎時，直角面會阻擋表面散射光返回光偵測器，而無法進行量測。解決遮光問題，可將工件旋轉45°，使直角面轉為V 形面，但又產生多次反射干擾。本研究使用線偏振的線條狀雷射光照射樣本，以偏振相機收集散射光，藉由散射光的線偏振角度變化，抑制反射干擾訊號，再輔以捲積與質心法決定線條光位置，進而輸出2D輪廓。此位移計搭配線性移動平台，可快速彙整出工件的3D 輪廓。
基於卷積神經網路之自動辨識鐵釘瑕疵
摘要:
瑕疵識別是現代製造中保證質量，避免不必要損失的一項重要技術，傳統檢測主要是利用大量的人力透過人眼做查核，對檢驗到的瑕疵做分類但因是人為還是有非常大的不確定性以及眼睛可能會疲乏導致分類錯誤等，為了解決這個問題，提出以機器視覺結合人工智慧的方式對鐵釘瑕疵做檢測，本研究提出使Mask R-CNN對鐵釘瑕疵檢測，在真實瑕疵樣本下，建構一套鐵釘的瑕疵辨識方法，並評估此方法的可行性。
不同影像處理方式結合Mask-RCNN 辨識砂紙表面缺陷
摘要:
隨著人工智慧技術的發展，需多工廠也逐漸增加使用人工智慧技術進行產品的品管，讓機器學習模型對產品的瑕疵進行辨識及分類是一種未來發展的趨勢。然而，在實際應用中，數據中的缺陷特徵不夠明顯，導致神經網路無法有效的提取出特徵的位置，也導致了辨識上的困難。所以為了解決此問題。本文研究對砂紙表面缺陷圖像進行圖像處理後使用Mask-RCNN 進行辨識，並對原始圖像及三種圖像處理方法的損失曲線、AP 值和辨識結果進行比較。依照實驗結果，能夠看到有經過處理的圖像其準確度都好於原始圖像，而不同的處理方法其結果也有著不小的差異。依據模型測試的結果，Mask-RCNN 有著能夠成功辨識缺陷的位置及種類的可行性。
基於不平衡影像數據之Micro LED 晶片瑕疵檢測
摘要:
本研究基於自動化光學檢測技術建立一部Micro LED 晶片表面瑕疵檢測系統，檢測機台使用工業相機結合顯微物鏡搭配線性滑軌實現自動蒐集影像功能，並使用向量支撐數據描述(SVDD) 人工智慧演算法搭配貝葉斯優化進行分類器訓練，分別訓練破裂、孔洞以及錯位三種類型瑕疵。最後透過決策樹方法篩選正常與瑕疵晶片類型，達到晶片分類目的。在分類器訓練完成後，透過導入業界Micro LED 數據進一步驗證分類器性能，結果顯示本研究開發之分類器與決策樹具備實際晶片檢測能力，能夠檢測出大部分缺陷晶片類型。根據本文實驗結果可得出本研究所建立之自動化光學檢測機台具備檢測面板上之Micro LED 像素能力，並且所設計之人工智慧能夠檢測出瑕疵像素、缺陷類型及瑕疵座標，提供產線人員進行製程回推，減少在巨量轉移過程中造成之缺陷，並為下階段巨量 修復任務提供修復座標 。
深度學習和影像處理技術辨識LCD 陣列殘留物和自動規劃雷射光切割線段
摘要:
工廠的價值在於產品的良率和產能，而提高生產與維修的效率可以促使產能的提升。然而，檢測機器可能會受到光學鏡頭劣化和不受控制變數的影響，例如環境因素、照明不均勻、光反射和其他外來因素導致的外來粒子的存在。但是，薄膜電晶體液晶顯示器(Thin film transistor liquid crystal display; TFT-LCD) 面板圖像中的瑕疵通常透過人工來進行檢測。
由於TFT-LCD 面板瑕疵的多樣性，自動瑕疵檢測仍是製造業面臨的主要問題。為了克服面板瑕疵的這些問題，本研究使用深度學習和影像處理算法來自動檢測TFT array 瑕疵，提供雷射切割的修補路徑。首先，使用YOLOv4 模型定位面板圖像中的瑕疵和玻璃感興趣區域(Region of Interest; ROI)，並使用語義分割模型(FCN-VGG16) 識別ROI 中的瑕疵和玻璃像素位置。最後，利用重疊和非重疊切割(Overlap and Nonoverlap cutting; ON-Cutting) 判斷方法找到有效的維修路徑。
目標檢測的三種類別中，Defect、D12_Glass 及D3_Glass 的AP 分別為95.62 %、99.51 % 及99.39 %，則mAP為98.17 %。根據所提出的ON-Cutting 算法， D1 類別的錯誤維修率為4.79 %，而B和C類別瑕疵的錯誤維修率為0 %。與專業工程師目視來判斷切割線需要0.5-2 秒( 平均1.25秒) 相比，所提出的方法速度提高了74.09 %。
卡賽格林光學系統之干涉儀輔助組裝定位之研究
摘要:
卡塞格林式光學系統之主次反射鏡校準對於系統光學品質影響甚鉅，本文利用干涉儀量測系統波前誤差，並且將干涉儀量測結果以澤爾尼克 (Zernike) 多項式輸出，供光學模擬軟體Code V 進行姿態調整分析，光學系統之元件位置及姿態設為最佳化變數，並以光學系統設計值之波前誤差之作為最佳化目，解算出光學元件位置與姿態調整量，據以進行光學系統精密定位調校，達到最佳組裝定位姿態。