產業痛點

AI瑕疵檢測能夠有效解決傳統AOI檢測受限於瑕疵樣本不一、樣本數不足、誤判率高以及需人工複檢等瓶頸,加上液態材料檢測技術,對於品質要求日益嚴苛的電子業、環境工程而言,絕對是未來產業升級更好的選擇。

什麼是AI瑕疵檢測?

AI瑕疵檢測結合高階AI運算技術,可依據檢測需求進行學習以及瑕疵分級&分類,不僅提高機器檢測的可靠性,改善傳統AOI檢測的誤判率,且因不需人工複檢,辨識速度亦大幅加速。

AI瑕疵檢測與傳統AOI的差異

AI瑕疵檢測與傳統AOI檢測最大不同之處在於:有效資訊量。一般AOI檢測的瑕疵樣本常不一致,不容易累積到足夠樣本,且單一鏡頭亦無法同時檢測多重瑕疵類別,導致誤殺率過高、需人力進行複檢,進而造成人力以及原物料成本。加上傳統AOI檢測僅適用物體表面、乾式樣品,如遇上液態材料或是液體微汙染便大大不足。而AI瑕疵檢測則能運用大量有效資料並透過高階學習技術執行快速訓練,自動化歸納最佳OK&NG參數,確保檢驗標準的一致性,大幅提升辨識準確率。

#想了解更多AI瑕疵檢測應用?歡迎與邑流聯繫!👉快速聯繫

邑流應用

AI瑕疵檢測優勢說明

過去AOI是透過比對待測物影像與標準影像的差異作為判斷基準,辨別產品良率與完整性。因此必須先定義好瑕疵樣本才能進行檢測。且作為比對標的的標準影像,其細節愈完整,比對的精準性就愈高。換言之,AOI設備只能仰賴經驗法則先定義好的指令檢測,如出現新瑕疵或定義不明,設備可能就無法進行判斷。這也正是AOI需再次運用人力或固定參數進行複查的原因。加上一般AOI以拍攝樣品表面影像作為判斷依據,所以待測物影像也必須夠穩定,才能被正確區別。只要光源、高度、平坦度、產品反光性等其中一項參數跑掉,就可能造成判讀結果失真。

隨著檢測條件日趨複雜、愈來愈多難以具體描述的瑕疵出現時,傳統AOI便開始不敷使用,而高效靈活的AI瑕疵便能補足AOI這部分的弱點。AI瑕疵檢測能透過數據學習,主動辨識未知的瑕疵,並做進一步判斷分析。

總結來說,相較傳統AOI檢測,AI瑕疵檢測整合機器視覺&機器學習,可判斷邏輯性錯誤,不僅大幅降低誤判率亦可有效取代人工複檢的成本及負擔。

實際應用案例

如何掌握液體中的粒徑分布狀況、即時檢測出微汙染(瑕疵),以找出研磨最佳效益,對電子廠製程漿料產業而言是非常重要的命題。

然而,傳統訊號式的粒徑分布檢測,遇到濃度高的液體時,常會發生粒子間訊號互相干擾,導致數據結果與預期中不同、數據不可靠之狀況。別於傳統粒徑分布檢測技術,FlowVIEW 全自動微流影像分析儀結合粒徑分析Sizer與粒子計數Counter兩大重點功能,可同時針對粒子尺寸與粒子數量進行分析,取代過去既有分析技術,成為強而有力的問題對策工具。全自動微流影像分析儀不僅可針對粒子尺寸&數量,更可檢測液體中的微汙染物。透過100%全景深擷取的特殊設計搭配高階AI瑕疵檢測技術,精準分辨出汙染物是結晶、粉塵或毛絮,進而排除特定的幾個可能汙染源。

而台灣知名化工大廠的曝氣槽微生物檢測,過去在執行廢水及汙水處理時,常以光訊號式counter搭配光學顯微鏡檢測微生物種類及數量。但根據會遇到許多技術上的限制。例如,過去的檢測方式無法即時整合所觀察到的微生物種類及數量,且須仰賴人工土法煉鋼比對,過程中還常因為過多的人為因素,影響到檢測結果之客觀性。最困擾的是,整體流程需耗費大量人力、時間及非必要的成本支出,種種因素都導致過往檢測方式無法產出有效且精準的檢測結果。邑流微測以特殊光學設計搭配自動化分析模式,並搭配高階影像分析及AI深度學習系統,不僅可判讀液體中的半透明顆粒、氣泡、不規則外緣等等物質原始樣貌,即時呈現液體的顆粒數量、濃度以及整體粒徑分布,也做到自動比對曝氣池水質資訊、計算後段營養劑添加時機點,提升水質穩定度同時降低維護成本。總體而言,此項技術強化過去相關檢測的可靠度,協助產出可用之檢出報告。非常適合應用於曝氣池微生物檢測以及環境廢水檢測等相關應用。

▶延伸閱讀:粒徑分析儀選擇重點:你適合哪種粒徑分析儀量測?

▶延伸閱讀:粒徑分布分析:透過CMP Slurry製程,了解分析困境與解決方案