AOI 檢測機台採用傳統程式與AI人工智慧何者為優 ?

AOI 檢測機台採用傳統程式與AI人工智慧何者為優 ?

這兩者各有優缺點。

開發速度而言純就演算法的部分，AI的開發速度是可以快一些。
檢測速度來看就未必能分出何者比較快，需要看檢測的內容和背景的複雜度而定。

AI的優勢:

• 產品需要有足夠的瑕疵樣品，它可以快速地做學習，高效能的AI可以在2分鐘左右就學習完100PCS 5M的NG照片。並且可以產生原始碼加入系統程式中。

• 產品因製程變化需要調整演算法，它一樣可以快速地做學習，並且可以產生經驗參數加入系統程式中。

• 產品需要累積經驗要調整演算法，它一樣每一批產品把NG或是誤判的部分拿來作快速學習，並且可以產生經驗參數加入系統程式中。
• ​即使產品在成像時較為模糊，對焦不清晰的情況，透過學習更多的照片仍然有可能可以找出瑕疵。

AI的劣勢:

• 產品需要進行量測長度、直徑等重複精度要求高的項目時，AI無法比傳統程式寫的更好。
• 硬體要求高。不論是在訓練模型、實際測試時，AI都需要用到大量的運算資源，一般沒有加裝GPU卡的電腦需要執行的時間是有裝GPU卡的數倍以上。
• 訓練前的標示(Label)所花費的時間過長。即使現在已經諸多方便的標示工具及軟體，Labeling依然是許多工程師花最多時間的項目。分析公司Cognilytica指出，AI在Labeling(標示)、Cleaning(清理)、Augmenting(調整參數)等處理資料的時間大約占了總時間的80%

 

傳統程式的優勢:

• 當瑕疵檢測需要極高速的運作如每秒100PCS以上，這種高度優化以MCU為運算主軸時，傳統程式可以調整的空間大，有較佳的表現。
• 當瑕疵檢數量極少，產品良率都在99.7%以上時，NG的樣品取得不易，AI的方法很難處理未知的瑕疵，傳統的程式 卻可以以一般平面或是邊緣檢測的概念處理得很好。
• 當需要少量多樣時，無法經常停機做深度學習時，傳統的程式 可以以一般通面或是邊緣線做檢測，可以適應的效果較佳。

相關文章

 

 

     AOI介紹目錄