AI趋势周报第151期：更多制造业AI落地，从违规入场取缔、PCB瑕疵检测、精密加工异常、制程良率优化都有新作法

 和盈光电   AI应用实例   瑕疵辨识 

合盈光电PCB瑕疵检测改用AI辨识，TNR准确率可达99.96%

光学元件设计制造厂合盈光电，每月生产约3～4万套相机模组，但在设置的四个检查站中，原先只有6位检查员来人工目检外观瑕疵，由于目检人员流动率高、不易找到新人，因而成为厂商生产作业中的一大痛点。为此，工研院针对相机模组中印刷电路板（PCB）的人工焊点，训练出瑕疵辨识模型，来取代原先人工目检的方法，目前已经可以达到漏检率（FNR）0.25%、筛除率（TNR）99.96%的高准确率，不只能大幅降低查验人员的检测数量，更能提升检测效率。

工研院开发的瑕疵辨识模型，是运用了自主研发的多重特征影像检测技术（Deeply-Fused Branchy Networks，DFBN），这个技术的深度学习网络架构，包含了有多个较小但结构完整的分支神经网络，结合了多层数神经网络与少层数神经网络能辨识不同类瑕疵的优势，来对瑕疵影像进行协同决策，提供最佳化的分析结果，能更进一步提升瑕疵检测的准确率。

 永胜光学   AI应用实例   印刷品校稿 

永胜光学导入AI来取代人工校稿作业，缩短5倍作业时间更能适用多国语言

光学设备制造商永胜光学，同样运用了工研院研发的多重特征影像检测技术（DFBN）来进行瑕疵检测，但，应用场景是在说明书、包装盒等印刷品文字及图案的校稿检测上。比如在设计端，需要将原稿与美工编辑后的图档进行比对，来检查在美编过程或转档时是否产生错误，或是在产线端印刷完成后，也需确认印刷成品与原档资讯一致。过去，由人工来检核一件印刷品，需要花5分钟的时间，为了加速检测作业，永胜光学导入AI自动撷取特征资讯来进行比对，能将校稿时间降至1分钟以下，缩短5倍以上的检测时间。

这项技术的另一个优势，则是能适用于各国语言的检测，比如英文、阿拉伯文、德文均适用，能防止语言文字不通，人工检测疲劳而导致的疏漏问题。

 曜凌光电   AI应用实例   制程参数最佳化 

曜凌光电透过2种AI模型，找出制程参数与产品品质的交互关联来加速研发

制造业制造产品时，会需要设定大量制程参数，比如显示器制造厂曜凌光电在蒸镀制程与投料上，需要设定如燃烧温度、功率、使用前预热、靶材消耗等参数，这些参数的不同会影响产品品质。为了提升良率，曜凌光电希望找出一个能透过制程参数预测产品品质的模型，再借由模型提供的关键参数，来进行最佳化的制程参数调校、分析大量制程参数的交互影响，或是在品质检验前就先预测产品品质，并在产品发生不良快速找出不良原因。

也因为过去的参数优化模型只能针对单一产品制程来分析，难以进行大规模的扩散，曜凌光电也希望建立一个泛用模型，来预测多种产品的制程品质，由于各产品制程受到各项变数的影响程度不同，透过剖析制程中各变数对结果值的影响程度，就能找出影响制程的关键参数，进而将参数最佳化，在实际应用场景中，甚至能用于新品的开发，来减少实验次数、降低开发的时间与成本。

曜凌光电透过工研院的点子创新平台AIdea提供制程资料，来征求产品品质预测AI以及多样态产品制程参数优化AI的解方，目前点子征求竞赛已经结束，也已经征得好点子，将AI模型实际导入应用场景中。

 元翎精密   AI应用实例   叠料侦测 

元翎精密在金属制程中运用AI，来排除叠料异常减少设备故障

金属制造业元翎精密也在制程中导入AI。这项AI应用在叠料的排除上，也就是在金属圆片完成冲压之后，会进入连续引伸（锻造工序之一）的制程，但在冲压制程中产生的毛边，可能导致圆片叠料，若没有及时发现就进入引伸段，可能会造成设备故障，届时就需耗费1天的时间重新调整参数才能排除故障情形，更可能因此损坏模具。因此，元翎精密在金属圆片进入引伸段之前，运用工研院的技术，在圆片移载料台加装了一个高度感测设备，透过量测圆片厚度来找叠料情形，一旦发现就停止机器运行，等到排除叠料状况再继续生产。

 开源CNN架构   HarDNet   边缘运算 

国产开源CNN架构HarDNet部署边缘运算装置，获全球影像辨识评比前五强

去年开源CNN架构HarDNet的清大林永隆教授团队，今年将HarDNet实际部署在算力较低的边缘运算装置上，并参加全球低运算电脑视觉竞赛（Low-Power Computer Vision Challenge，LPCV）来验证HarDNet的表现。

其中在FPGA类别的评比中，由于评分标准取决于模型精准度与速度，团队运用HarDNet68及HarDNet39分别训练了两个影像分类模型，来针对ImageNet的1,000种物件类别进行辨识，HarDNet68因网络层数更多，辨识率相对较高、达到86.9%，但辨识速度较慢，HarDNet39则相反，尽管辨识速度能快上三倍，但辨识率降至73.5%。经过评比后，得奖的为HarDNet68的模型，获得LPCV全球第二名的佳绩。（详全文）

左边为HarDNet68模型的辨识成果，右边为HarDNet39的辨识成果。后方更搭载了FPGA芯片来实际进行演算。

 Google AI   树冠实验室   树木分布地图 

Google成立树冠实验室，将航空照片结合AI来规划树荫

过去当城市要规划植栽时，通常必须旷日费时地进行田野调查，或者只能仰赖过时的纪录、不完整的研究资料等。但Google成立的树冠实验室（Tree Canopy Lab），先利用飞机拍摄的航拍照片，并辅以Google AI与Google Earth Engine的资料分析能力，找出城市中的树木分布与其密度，再以近红外线（near-infrared）照片来侦测人眼看不到的颜色与细节，并比较不同的角度来建立高度图；接着，还利用专门侦测树木的AI自动扫描这些照片，找出树木的位置，建立一个能够展现树木覆盖区域（树冠）的地图。如此一来，就能进一步辨识出具高植树潜力的住宅区，或是找出因树冠覆盖率太低而可能曝露在高温下的人行道，来规划植树区域。（详全文）

 AI趋势近期新闻 

1、Apple释出专为Mac最佳化的TensorFlow版本

2、结合闪存与FPGA，三星与赛灵思合推运算固态硬盘