AI在製造業的瓶頸

AI在製造業的瓶頸
撰文／黃璽軒（樂達創意科技技術長）

為什麼製造業的老闆對於人工智慧的解決方案又愛又恨呢？老闆們到底在擔心什麼？

製造業業主：『我希望導入AI到我們的工廠，請問要怎麼做？』
AI服務商：「請您先提供20,000張數據，要附上標記，讓我們做資料訓練。」
製造業業主：『我這邊只有25張，你看看能不能做一下評估。』
AI服務商：「……」

將人工智慧落實於製造業，擔任外觀品質的把關者，是一個很好的敲門磚，老闆最在乎的還是能不能夠提供品質良好的產品給終端客戶。舉例來說，人們每天在戴的隱形眼鏡，其實每片都是有目檢員一片一片檢查出來的，一位目檢員平均一天必須要檢查至少三千八百片以上，其檢驗品質以及可靠度令人存疑之外，出了問題也很難尋找證據，業主們期待機器視覺能夠解決品質把關所遇到的問題。

使用監督式學習的瓶頸

自動光學檢測主要的目的是協助製造業業主將其產品表面的缺陷挑出來，例如想要找到布料上的破洞、錯色、污漬，我們可以採用物件偵測的方式來進行資料訓練。物件偵測可以在圖片裡用框標出物件的範圍，並針對該範圍進行缺陷分類。在進行物件偵測的模型訓練之前，必須要做到定義缺陷類別、蒐集大量資料、以及進行缺陷標記三大工作。

缺陷標記是指在每一張圖片上面，人工將缺陷的位置標記出來，並且標記上缺陷的類別，在標記完成之後，每張圖片都會有一個標記檔。我們將含有缺陷的圖片以及標記檔，送入機器進行學習，目標是希望模型在學習過後，未來能夠在實際產線上判定出缺陷的位置以及類別。利用標記資料告訴機器相對應的值，以提供機器學習在輸出時判斷誤差使用，這種方法叫做監督式學習。

如果要能夠完美地執行監督式學習的作法，必須要有足夠的數據以及準確的標記，然而這樣的作法在初期卻很難被業主接受。首先，大部分工廠生產的產品不會有太多的缺陷樣品，真實的狀況良品（沒有缺陷）所佔比例可能超過90%甚至高到99%，業主難以提供足夠的數據進行監督式學習；除此之外，大部分的業主也很難配合提供缺陷的定義，因而無法進行數據的標記，以上種種原因都讓資料科學團隊難以快速做出評估，讓業者對於導入人工智慧有所顧忌。

非監督式學習的瓶頸

非監督式學習是一種對於資料中不包含人類判斷（標記）的機器學習方法，異常偵測（Anomaly detection）就是其中一項在自動光學檢測領域的應用。製造業業主只需要提供良品的圖片，即可產生一個進行瑕疵檢測的模型，這個模型可以用來預測樣品上每個像素是正常還是異常，例如下圖。

(圖片來源：Napoletano P et al., 2018.)

異常偵測的作法很多種，其中一項被普遍使用的技術是自動編碼器（Autoencoder, AE），其架構分為編碼器（Encoder）以及解碼器（Decoder），編碼器在高維度的圖片經過多層神經網路後提取出特徵，然後透過解碼器還原成與原圖相同維度的資料。在特徵學習的階段我們只送入良品的圖片，讓自動編碼器學習如何做到還原良品這個動作。在預測的階段，因為自動編碼器只知道怎麼樣還原良品的圖片，如果送入缺陷的圖片，自動編碼器因為沒有學過缺陷的資料，因此沒有能力進行好的還原，最後再將原圖與還原的圖片進行比較就可以找到差異的位置，該處就是期望被檢測出來的缺陷。

異常偵測在初期評估，只需要良品以及相對少量的數據，在訓練完模型之後，馬上可以拿來檢測不良品，大大提升業主對於推動智能檢測的興趣。然而，在實務上，這樣的方法仍然存有一些問題，因為上述的自動編碼器方法，目前大部分是將還原出來的圖片以及原本的圖片進行比對，如果還原的品質不是很好，那麼將會造成過殺的現象（將良品判定為不良品）；此外，如果缺陷本身與背景差異不大，那也會有可能有漏抓的現象（將不良品判定為良品），這些問題都將阻礙智能檢測的後續推動。

結合監督式與非監督式學習

監督式學習的物件偵測在足夠的數據以及高品質的標記下，可以準確地預測缺陷的位置以及種類，卻受限於工廠難以在初期提供大量缺陷樣品、標記過度耗時耗力而無法進行；非監督式學習的異常偵測只需要少量的良品即可以達到初步的缺陷檢測，讓業主願意啟動智能製造的第一步，卻因為模型可能造成的過殺或漏抓而最後無法達到業主的期望。

在實際的專案進行中，異常偵測模型除了拿來推動開發以外，也經常被拿來進行協助資料標記。即便模型無法完全精準地將缺陷邊緣標記出來而造成過殺的狀況，但這樣的標記資訊，卻可以被另外拿來使用作為協助監督式學習標記的工具，而人力只需要再進行檢查的動作即可，節省了非常多標記的時間。此外，這種漸進式的推動，可以讓業主在生產的過程中，慢慢建立起缺陷的標記資料，進而可以在未來轉為使用監督式學習，進行高精準度的預測。

物件偵測的模型可以找出曾經標記過的缺陷類別，但是因為生產過程中，有可能因為業主調整了製程參數而產生了新樣式的缺陷，物件偵測的模型在這樣的情況下有可能會漏檢，因為沒有學習過這樣的缺陷。但異常偵測的模型可以同步扮演一個檢查的角色，若是有新型的缺陷出現，因為模型只有學習過良品的特徵，會將異常處偵測出來，資料科學團隊便可以將此新的缺陷加入物件偵測的模型。

人工智慧落實於製造業的未來

視覺檢測是落實於製造業的第一關，它扮演了外觀品質的把關者，因為產品的品質影響了終端客戶對於製造業者的信心度以及銷售量。上面提到的異常偵測，技術也不斷在演進，如果有一個高精準度的模型，就可以幫助業主確保出貨品質，在那之前，異常偵測的模型還是扮演著輔助監督式學習的角色；物件偵測可以確定缺陷的類別，讓客戶進行製程的改善，搭配著機台上面的製程參數，得以進行更多的資料分析，業主的專業知識以及數據科學團隊能力的結合，更高品質的智能製造才得以落地。

參考資料

1. G. Shukla, S. Bakas, S. Rathore, H. Akbari, A. Sotiras and C. Davatzikos, “Radiomic Features from Multi-Institutional Glioblastoma MRI Offer Additive Prognostic Value to Clinical and Genomic Markers: Focus on TCGA-GBM Collection”, International Journal of Radiation Oncology*Biology*Physics, vol. 99, no. 2, pp. E107-E108, 2017.
2. P. Bergmann, M. Fauser, D. Sattlegger and C. Steger, “MVTec AD — A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection”, 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2019.
3. P. Bergmann, S. Löwe, M. Fauser, D. Sattlegger and C. Steger, “Improving Unsupervised Defect Segmentation by Applying Structural Similarity to Autoencoders”, Proceedings of the 14th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications, 2019.

(本文由教育部補助「AI報報─AI科普推廣計畫」執行團隊編譯)