｜最優良文章｜以人工智慧為基礎之金屬加工製品檢測應用

摘要

金屬加工製品具複雜外型、多維度、曲面之特性，尤其表面具有非一致性紋理，使用傳統機器視覺檢測一直是困難課題，目前大多只能靠目檢員來確保產品品質。為因應金屬加工製品檢測需求，本文將介紹工研院機械所開發之人工智慧表面品質檢測技術，以及其相關之金屬加工製品檢測應用，亦可解決現有金屬加工製品表面上光源不均造成檢測不穩定之問題，提升金屬製品業之附加價值。

Metal processing products have the characteristics of complex shapes and multi-dimensional curved surfaces. Traditional visual inspection of inconsistency surface texture quality has always been a difficult problem. At present, it is necessary to rely on operator to ensure product quality. In order to satisfy the requirements of the metal processed product inspection, this article will introduce the artificial intelligence inspection technology developed by ITRI and the related applications of metal processing products based on artificial intelligence. This solves the problem of unstable detection caused by non-uniform light source on the surface of metal processing products, and enhances the added value of the metal processing industry.

關鍵詞(Keywords) 人工智慧、工業影像檢測、金屬加工製品 Artificial intelligence, Industrial image inspection, Metal processing product

前言
金屬為工業之母，臺灣健全的金屬產業鏈為帶動下游金屬製品、機械設備、汽機車等應用產業蓬勃發展的領頭羊，依據經濟部統計處調查[1]， 2018 年臺灣金屬製品業和基本金屬製造產值突破新臺幣 2.3 兆元，直接外銷產值達新臺幣6,885 億元，為歷史新高紀錄。汽機車運輸設備、工具機械設備、電力電纜設備等金屬應用產業直接外銷產值亦突破新臺幣 8,525 億元，為我國經濟發展的重要支柱。金屬製品業為各種消費性產品、建築工具材料之上游，主要製造電子與半導體、運輸工具、家電產品及其他五金等相關產品之基本零組件， 2018 年台灣金屬製品業產值達新臺幣 7,826 億元，相關廠商數約 2.1 萬家，員工數約37.2 萬人，出口值達 3,964 億元，為我國重要創匯產業之一。
展望 2020 年，根據IMF 國際貨幣基金發布世界經濟展望報告預測[2]，全球景氣受到保護主義興起、中美貿易戰、英國脫歐、地緣政治緊張因素之影響， 2020 年經濟成長率預估為 3.3%，但2020 年 1 月受到中國武漢肺炎持續擴散，生產及供應鏈已引發混亂，經濟成長率預估會持續下修。
隨著全球經濟趨勢的快速變動，國際貿易保護加劇與市場快速開放並存，全球金屬產業供應鏈體系逐步往東協與新興市場移動[3]；新科技如人工智慧、智慧製造、綠色工廠、循環經濟等浪潮亦持續改變產業價值鏈形貌。臺灣於全球金屬材料研發、製程製造、產業應用等領域均為全球領先發展國家之一，亦是全球知名大廠的重要供應鏈夥伴，未來將在新一波的經濟變革中持續扮演重要角色。
現有客戶對於金屬加工製品品質要求不一，往往導致產能與良率不穩定，尤其新產品生產需有一段學習曲線才能有穩定品質，本文主要目的是解決金屬加工品質檢測之問題，期望能以文中介紹之技術縮短其學習曲線，使產能與良率有效提升。金屬加工製品表面常出現隨機紋理及週期性紋理，相同紋理亦會因複雜金屬曲面受光源變化而產生紋理差異，導致非一致性表面紋理品質使用傳統視覺檢測一直是困難之課題，且金屬加工製品品質檢測難有一致性標準，因此本文介紹以人工智慧為基礎之金屬加工製品檢測技術及其相關應用，期許能協助金屬加工製品業者克服金屬表面上光源不均造成檢測不穩定之問題。

圖1 金屬加工製品檢測常見技術瓶頸示意圖

物質表面紋理品質鑑別技術

金屬表面處理紋理包含隨機紋理及週期性紋理，相同紋理亦會因任意金屬隨機曲面受光源變化影響而產生紋理差異，非一致性表面紋理品質使用傳統視覺檢測更是困難之課題，紋理品質鑑別難有一致性之標準。傳統機器視覺檢測AOI (Automated optical inspection)大多使用空間域(或稱時域)灰階影像檢測較難以區隔紋理異常，本研究將多視角影像透過頻率域(或稱頻域)轉換強化特徵差異並減少資料量，搭配殘差運算加速深層網路並降低梯度消失(Vanishing Gradient)問題，達成高效率深度學習之目的與檢測連肉眼亦難以辨識之紋理瑕疵，其架構如圖2所示，相關內容分述於後。