瑞莱智慧RealAI致力于研究和推广安全、可靠、可解释的新一代人工智能，聚焦AI基础技术的自主研发，追踪国内外AI技术领域前沿研究进展，通过本微信公众号不定期分享最新AI技术成果。
AI要能发挥价值、创造效益，落地到行业里头是关键，相较于营销广告、安防、新零售等，工业领域更像是一片蓝海。
目前在AI 与工业的结合，多提到大数据优化生产排程、监控零部件或机台设备运作以及故障预警等，还有一个领域也有不少研究及进展，就是生产过程中的瑕疵检测，包括线路瑕疵、外观瑕疵等。
一、传统瑕疵检测
除了靠人力检验外，制造企业在生产过程中，常使用非接触式的自动光学检测（AOI）或自动视觉检测（AVI）设备，通过高精度摄像头、机器视觉技术等，抓出有瑕疵或缺陷的产品。比如AOI 设备在自动化程度相对较高的电子业，像是 PCB、PCBA 电路板、Wafer 晶圆及面板行业采用的比例非常高。
但传统的 AOI 检测常见几个遭诟病的问题，首先是误报率过高，目前 PCB 瑕疵检测设备的误判率甚至高达 5 成，需大量人力搭配后端验证修复站（VRS，Verify Repair Station），将 PCB 图像放大数百倍显示在屏幕上让操作人员确认。
其次，传统的 AOI、AVI 设备通常适用于检查二维平面结构的产品，在PCB、面板行业导入的比例很高，有部分 AOI 业者开始推出三维检测，但系统检测的时间拉长。此外，AOI 设备价格也相对比较昂贵。
二、AI瑕疵检测
近年来，随着深度学习的兴起，瑕疵检测也出现新的技术演变，从传统的 AOI 转向与 AI 结合，开始有技术公司开发用以检测元件瑕疵的 AI 软件，或与 AOI、AVI 设备结合使用。比如，去年阿里云 ET 工业大脑提出 AI 视觉产品“见远”，其中就包含有 AI 质检员方案。
对比传统模式，AI 瑕疵检测有三大优势：
第一，最重要的是准确率提升，误判率下降，无需雇用大量人力来进行二次确认；
第二，检测速度变快，且可分类缺陷，目前半导体检测设备多是侦测瑕疵，鲜少将其分类，但不同瑕疵类别产线会产生不同程度的严重性，尤其是 Defect Type 1 为极重大瑕疵，一旦发生就要停机检查，时间可能长达 2～3 天，影响产能，目前半导体检测厂仍是高度倚赖人工分类瑕疵， AI 瑕疵检测则有助于降低瑕疵分类的时间；
第三，后续可以进一步诊断瑕疵出现的原因，此部分必须跟生产机台数据串接。
图：RealAI重点关注无监督、半监督学习、小样本机器学习等场景
作为源自于清华大学 AI 研究院的产学研结合技术公司，瑞莱智慧（RealAI）落地工业制造三个领域：工业视觉检测、预测性维护、工艺优化，并锁定光伏行业，通过计算机视觉的手段，开发光伏面板 EL 缺陷自动检测算法，针对太阳能光伏面板的多种缺陷进行自动检测，替代人工视检过程。
光伏面板缺陷检测的难点主要在于多晶太阳能电池板的 EL 图像本身存在晶界等花纹，对缺陷识别产生干扰。同时，不仅缺陷的种类较多，同一种缺陷的形态也变化多端。为此，RealAI 通过使用自主研发的缺陷检测模型，引入相关领域知识，开发出 EL 缺陷自动检测算法，目前已经在多家光伏组件头部制造厂商试用，成果显著。
三、无监督学习 AI技术浪潮
训练一个瑕疵检测的 AI，使用计算机视觉＋深度学习，经过多次处理程序包括图像的灰度、型态转化如腐蚀（eroding）、膨胀（dilating）等，从原始图像中提取感兴趣区域（ROI），并利用深度学习算法如 CNN，在 ROI 区域侦测瑕疵。
其中，需要的数据包括众多有标记出缺陷的独特图像、以及标记为正常产品的图像，来进行监督式学习。也可以使用端到端的深度学习架构，以深度学习来预测 ROI，而非计算机视觉。使用带有标注的数据集来训练可预测 ROI 的架构，不过标注的数据集必须明确且足够广泛。
目前，AI技术方面有一个非常值得关注的发展趋势，就是无监督式学习技术。这一波的 AI 浪潮始于视觉任务展现了很大的进展，通过标注数据来训练出识别、分类的 AI，就像前述的 AI 瑕疵检测，同样利用有标注瑕疵的图像数据来训练，不过，这对瑕疵数据量有一定的要求，是否收集足够就成了挑战。另外，如果出现不曾被标注训练过的瑕疵，系统是否能发现，也是一个问题。
这也是 RealAI 发展无监督学习 AI 的原因，RaalAI CEO田天表示，“在工业应用领域，收集高质量训练数据的过程往往成本高昂，且耗费时间，如果采用无监督或者半监督的学习方法，就能有效降低训练数据需求，针对碎片化的工业视觉检测场景具有更广的应用前景”。在没有训练数据时，可以考虑采用异常检测、或者变化检测等方法，让机器学会什么是正常的数据，进而在出现异常数据或者变化时能够做出准确判断。
目前，RealAI 自主研发的无监督算法就成功运用于石油管线故障检测问题。在这一问题中，信号数据噪音大，且没有标注，RealAI利用无监督算法，成功预测出存在缺陷的管线位置，并且已交付使用。此外，利用无监督学习方法RealAI还解决了卷烟机和包装机预测性维护问题。
“在许多缺少或没有训练数据的领域，无监督学习是唯一可用的选择，”田天指出。
四、AI 快速落地工业制造领域
除了安防、新零售、医疗等行业，其实AI在工业制造领域可以发挥很大的效用。据RealAI调查显示，目前“缺陷检测”和“预测性维护”两大应用方向，工业制造业客户的接受度和需求较高，主要是因为该领域痛点明显，并对企业效益有直接影响。而且预测性维护有利于避免重大事故，对于安全制造和安全生产至关重要。
对于 2019 年人工智能在工业制造领域的发展，田天认为，2019 年都会是人工智能技术在工业制造领域中快速发展与落地的一年。过去十年间，AI 领域开发了大量优秀算法，为实际应用储备了大量的工具。近年来，AI技术也开始大规模应用于金融和互联网等领域，为AI技术的行业落地起到了较好的示范效应。
同时，经过此前工业数字化转型，目前工业领域中已经广泛使用传感器等设备，积累了大量的数据，为人工智能应用提供了坚实的基础。
再来就是政策方面，国家快速推进工业互联网的发展，并鼓励企业进行智能化转型，大量工业制造企业开始寻求使用人工智能结合领域知识，切实解决行业痛点。
因此，基于三方面时机点的良好交会：较高的社会接受度和丰富的技术储备；工业领域具有大量的数据积累；国家政策层面的大力支持，可以预见， 2019 年人工智能技术落地将在工业制造领域实现爆发！
（本文转载整理自「DeepTech深科技」，如需转载请联系原作者）
