最近聽了幾場智慧製造及人工智慧的講座:
- Galaxy Summit 2022 ~ 簡禎富/藍湖策略, 蔡明順/段行建/李家岩座談
- 台灣人工智慧學校 ~ 李家岩/製造數據科學新書線上分享會
因為筆者也從事過這個領域的相關工作, 聆聽業界學界對智慧製造及人工智慧的觀點之餘, 在此也分享一下個人的經驗體會, 以下先以工廠管理的持續改善做鋪墊, 再以自動光學檢測為案例作討論。
工廠管理及持續改善
工廠管理的一個重要方針是持續改善, 借用 H 集團說法:持續改善的目標就是提質/增效/降本/減存, 筆者補充一句: 提質/增效/降本/減存都應該以台幣/美金/人民幣為單位來計算, 換句話說: 任何改善方案的效益評估都要以提質/增效/降本/減存下加減台幣/美金/人民幣為基礎, 而所有技術環節都是用來支撐改善方案的效益評估, 技術環節可能包括過去現在未來的熱點, 例如雲計算、物聯網、資料科學、人工智慧、增強現實、區塊鏈、元宇宙、… 總結來說就是企業運營之下加減台幣/美金/人民幣是目標、應用熱門技術是手段。
改善方案的現在未來
對一個改善方案來說, “現在” (As-is) 是指改善前的執行方案,可以泛指任何一個生產檢測流程中人機料法環的諸多細節, “未來” (To-be) 是指改善後生產檢測流程中人機料法環的諸多細節, 當然 As-is 及 To-be 都要以台幣/美金/人民幣加上時間軸做計算, 這樣相關決策者才能正確評估是否執行及平展這個改善案, 也就是一條產線要不要先吃螃蟹, 其他產線是先看笑話或蕭規曹隨。
改善方案的現在未來 — 以自動光學檢測為例
自動光學檢測一直是生產檢測流程的一個重要環節, 自動光學檢測設備廠商也是整個製造產業鏈生態圈的一個重要成員, 近年來人工智慧深度學習圖像辨識逐步成為自動光學檢測的一個核心技術熱點, 例如:
- 圖像分類 (image classification) ~ 軟性電子顯示器正常品不良品二元分類或是多元分類瑕疵檢測
- 目標檢測 (object detection) ~ 熱閘鋼帶瑕疵檢測, 印刷電路板瑕疵檢測
- 圖像分割 (image segmentation) ~ 磁鐵瓦片瑕疵檢測, 磁磚水泥缺陷檢測
但是在工廠導入人工智慧深度學習圖像辨識支援自動光學檢測上還是有許多困難需要克服, 以下略舉三個主要難點: 了解 As-Is 的流程, 估計 To-be 的效益, 專案管理及開案報告。
1. 了解 As-is 的流程
一般來說生產檢測可能有三種情況: 人工檢測, 人機協作半自動檢測, 機台設備全自動檢測, 這裡重點討論人機協作半自動檢測的一個場景。
上圖簡單顯示一個人機協作半自動檢測方案的流程, 這種情況通常是現有生產檢測工站已經部署了一台以傳統算法為主的光學檢測設備, 但是因為各種不同的原因而有漏檢及過檢的情況, 因此需要進行人工復判, 而改善案就是希望看看人工智慧是否能夠提升檢測效率、降低漏檢過檢、減少人工復判。在這個場景中首先要確認的一件事情就是從工廠角度來說它需要的是一個系統及流程改善案, 而這個系統及流程改善案需要工廠運營人員/檢測設備廠商/人工智慧團隊/資訊管理團隊多方共同協作, 在了解現有流程的階段有幾個重點需要先釐清:
- 該工站的檢測標準及瑕疵類型都應有詳細的文件說明以便核對機檢人檢相應流程, 同時檢測速度、瑕疵類型瑕疵分布、漏檢率及漏檢的瑕疵類型瑕疵分布、過檢率及過檢的瑕疵類型瑕疵分布都需要有詳細的紀錄以便分析檢測效率及研究誤判成因;
- 一個自動光學檢測設備通常包括了光源/相機/機構/軟體四個子系統, 早期的檢測軟體主要是採用傳統算法根據顏色形狀紋理等不同特徵綜合判斷瑕疵類型位置大小數量, 在研究漏檢過檢時首先需要分門別類確認哪種誤判出自哪個子系統, 比如: 光源相機問題造成無法拍出瑕疵、機構穩定性問題造成取像異常、或是傳統算法特徵參數設定問題等等, 先確認問題原因才能制訂改善方案;
- 瑕疵類型及瑕疵分布其實同時反映了前端的製程問題及後端的檢測問題,對於檢測來說, 如果一個瑕疵類型中的特徵差異過大或是兩個瑕疵類型彼此過於類似可能造成檢測問題, 如果瑕疵類型過多而瑕疵分布極端不均可能造成檢測問題, 如果工廠產線曾和設備廠商協調只檢十五個瑕疵類型中的前十大瑕疵類型也可能是漏檢過檢誤判的原因;
綜上所述, 了解 As-is 的流程是一個複雜的工程, 但唯有詳實的調研才能夠建立系統及流程改善案的基礎。
2. 估計 To-be 的效益
在了解 As-Is 流程之後, 假設預計以人工智慧深度學習圖像辨識輔助現存系統檢測軟體的不足, 暫且不論採用圖像分類或目標檢測等不同的檢測模型, 一個系統及流程問題首先需要考慮的是 (1) 將深度學習圖像辨識檢測模型整合到圖一的檢測設備 (2) 或是僅用深度學習圖像辨識檢測模型取代圖一的人工複檢, 這兩個方案都牽涉到圖像資料的處理傳輸存儲、硬體配置或是邊緣運算/雲端運算、以及檢測結果上傳後台生產檢測紀錄系統等等問題, 所以在設定專案範圍/分解工作內容/預估人力時程時都需要仔細規劃。
估計 To-be 的效益以確認改善案的投資報酬率是管理人工智慧工業應用的一個難點: 從工廠的角度來說, 改善前改善後的人機料法環要都要能夠量化成數字, 但是從檢測模型開發團隊的角度來說, 檢測模型的衡量指標取決於資料/模型/訓練等許多因素, 沒人能保證一個檢測模型能夠降低多少過檢率或漏檢率, 例如改善前的漏檢率是 5% 過檢率是 12%, 沒人能夠保證改善後的漏檢率降為 3% 過檢率降為 8%, 這點可能會造成開案審核的一個困擾, 一個可行的解決方案是制定幾組衡量指標, 例如: 評估標準 A (漏檢率 5%, 過檢率 10%)、評估標準 B (漏檢率 3%, 過檢率 12%)、評估標準 C (漏檢率 3%, 過檢率 8%), 並分別計算相應的效益, 這種方式也許可以較好的落實效益評估的期待並保留檢測模型持續改善的空間。
3. 專案管理及開案報告
開案報告是整合 As-is 及 To-be 讓所有專案參與者及決策者建立共識的核心, 下圖條列開案報告會議大綱供參考, 一方面開案報告要把 As-Is、To-Be、專案範圍、工作內容、人力時程說清楚, 另一方面開案報告要取得管理層決策者的信任及支持, 人工智慧是一個受到吹捧及懷疑的領域, 要能夠說明人工智慧什麼能做什麼不能做, 並設定合理的期望是專案成功的關鍵。
1. 專案概述
2. 現行流程及痛點
3. 改善方案/檢測目標/效益評估
4. 資料內容/標記格式/相關資料
5. 改善方案的部署/監控/優化
6. 專案人員及職責
7. 專案管控及時程總結
幾年前筆者做過一場資料科學、機器學習、智慧製造的演講, 當時整理了兩個案例的介紹以及專案管理的難點, 而這篇文章可以說把專案管理這部分更詳細的解析了一遍, 希望兩者對智慧製造有興趣的業界學界人士都有些助益。有任何意見建議歡迎留言。
