0
| 本文作者： 代潤澤 | 2020-06-17 15:44 |
雷鋒網(wǎng)旗下「鯨犀」問世啦?。?！
「關(guān)注產(chǎn)業(yè)經(jīng)濟變革，服務(wù)企業(yè)再造升級」是我們的服務(wù)宗旨。
鯨魚和犀牛是海洋和陸地生物進化的代表，它們同樣能夠代表一大波在智能時代想要升級再造的先鋒企業(yè)?！个L犀」就是要記錄這些企業(yè)的轉(zhuǎn)型和成長。
如果您對企業(yè)數(shù)字化落地案例感興趣，請關(guān)注「鯨犀」！
復(fù)制微信號：whalerhino
或掃碼關(guān)注：
今年年初到現(xiàn)在，受到疫情的影響，國內(nèi)各行業(yè)的眾多企業(yè)意識到，數(shù)字化轉(zhuǎn)型所蘊含的可觀商業(yè)價值吸引力巨大，因此，企業(yè)擁抱數(shù)字化轉(zhuǎn)型已逐漸成為行業(yè)共識。
在深圳市光明區(qū)華星光電的生產(chǎn)線上，已經(jīng)很少能看到工人忙碌的身影，取而代之的是一條條機械手臂，而這條生產(chǎn)線的面積相當(dāng)于12個足球場。與人類不同，這些機械手臂只要插上電源就可以晝夜不停地進行生產(chǎn)。并且，產(chǎn)品一旦出現(xiàn)了缺陷問題，負(fù)責(zé)檢測的AI設(shè)備可以在5秒之內(nèi)識別出來。
在華星光電高度數(shù)字化的生產(chǎn)線上，導(dǎo)入了國內(nèi)面板業(yè)缺陷判別的首例人工智能項目——ADC項目（Auto Defect Classification 自動缺陷分類），目前，這個項目已經(jīng)幫助華星光電在質(zhì)檢環(huán)節(jié)之一的圖片檢測方面縮減了50%的人力。
此前，華星光電的質(zhì)檢方法是靠人工肉眼去識別AOI拍出的圖片。
液晶面板是決定液晶顯示器亮度、對比度、色彩、可視角度的材料，液晶面板質(zhì)量、技術(shù)的好壞關(guān)系到液晶顯示器整體性能的高低。
華星光電ADC項目負(fù)責(zé)人劉慶表示，面板的缺陷種類多達120種。不同工序、不同產(chǎn)品的缺陷特征也不盡相同，這對人員來說快速精準(zhǔn)的識別缺陷類型有一定的難度。
在ADC項目之前，需要AOI設(shè)備將玻璃缺陷拍照后上傳到NAS系統(tǒng)，再通過MES上傳到人工判Code的界面，由人員對圖片一張一張的進行設(shè)別和分類。
在華星光電工廠的Monitor Room中，每名圖片質(zhì)檢員每天需要面對1萬張產(chǎn)品圖片進行檢測，一名成熟的質(zhì)檢員，平均要花費2秒的時間完成對每張產(chǎn)品圖片的缺陷分類工作，同時人員需要確認(rèn)缺陷是否落在線路上、對產(chǎn)品的影響嚴(yán)重程度是否需要開立對應(yīng)的生產(chǎn)異常單。
面板在不同的生產(chǎn)工序，不同的AOI設(shè)備拍照的的圖像分辨率、曝光率、成像底色等差異非常大，有一定的識別難度，因此，一名質(zhì)檢員從入職到上崗，需要3-6個月的崗前培訓(xùn)通過考核才能上崗作業(yè)。
劉慶表示，與機器不同，人員具有明顯的個體差異，人員識別容易受到外部環(huán)境的影響，人員識別的準(zhǔn)確率是在一定范圍內(nèi)波動的，需要持續(xù)的對人員進行教育訓(xùn)練來保證穩(wěn)定的準(zhǔn)確率。
人工檢測不僅在效率上不能滿足工廠產(chǎn)能的快速爬坡，如今的年輕人也更喜歡去相對工作環(huán)境沒那么單一的地方工作。
對于企業(yè)來說，更希望通過機器代替人工來進行生產(chǎn)作業(yè)的降本增效，這時候，就需要將人工所積累的經(jīng)驗進行固化，可以持續(xù)高效的運行。
2018年，騰訊云聯(lián)合格創(chuàng)東智助力華星光電實現(xiàn)了人工智能在AI判片的應(yīng)用，全面承接了t1，t2和 t6工廠圖片自動識別（Auto Defect Classification，簡稱ADC）系統(tǒng)，在Array/CF/Cell各檢測工序上的應(yīng)用落地。
ADC項目的核心目的是讓機器完成缺陷的分類工作，實現(xiàn)人力替代并加速異常反饋及處理。
該項目利用人工智能建立缺陷分類模型，對產(chǎn)線實時發(fā)送的圖片進行識別分類，并將結(jié)果回傳給MES，替代原有人工進行圖片的識別分類 ADC項目初期并不順利，遇到一些技術(shù)問題導(dǎo)致相關(guān)指標(biāo)不達預(yù)期。
人工檢測的準(zhǔn)確率為85%，而ADC初始準(zhǔn)確率僅為70%-80%。
劉慶表示，ADC項目初期收集各類的缺陷樣本進行訓(xùn)練，當(dāng)產(chǎn)線實際缺陷形態(tài)變化時模型無法靈活應(yīng)對。而人員是可以提煉相應(yīng)的特征來識別。這就需要把人員識別的經(jīng)驗和方法和模型的算法技術(shù)結(jié)合到一起。
項目的前期，研發(fā)人員需要花費30%的時間去把液晶面板特性模型的參數(shù)和人員經(jīng)驗結(jié)合調(diào)優(yōu)。
對于整個項目來說，這個過程是至關(guān)重要的，研發(fā)團隊會遇到兩個關(guān)鍵性問題：
1）如何將客戶主觀需求轉(zhuǎn)化為可求解的計算機視覺算法；
2）針對提煉出來的算法問題，如何提出一個最佳的解決方案。
這兩個關(guān)鍵問題在項目初期至關(guān)重要，是項目開展的基石。
對此，負(fù)責(zé)ADC項目的算法研發(fā)人員在項目前期就要參與到華星光電的需求調(diào)研中，并深入了解液晶面板的工藝流程、缺陷成因、缺陷定義等并接受工廠相關(guān)的業(yè)務(wù)知識培訓(xùn)。
為了提出最佳的解決方案，騰訊云相關(guān)專家表示，針對具體的問題，在算法方面有多種選擇，而研發(fā)人員需要從性能、速度、可執(zhí)行性、可維護性、開發(fā)難度以及可能存在的風(fēng)險等方面進行全方位評估。
對此，騰訊云和優(yōu)圖實驗室研發(fā)人員綜合考慮算法指標(biāo)、開發(fā)和維護成本等提出深度學(xué)習(xí)為主+傳統(tǒng)計算機視覺算法為輔的解決方案。
然而，整個項目在推進過程中還是會遇到很多問題：
1）數(shù)據(jù)分布多樣性，大量小缺陷以及缺陷數(shù)據(jù)分布極度不均衡性共存，部分重要缺陷的數(shù)據(jù)非常少，對算法的泛化能力提出了極大的挑戰(zhàn)；
2）長尾需求差異性強，不同站點的產(chǎn)品需求和缺陷會有差異，對解決方案造成了極大的挑戰(zhàn)，需要隨時根據(jù)需求調(diào)整；
3）算法研發(fā)人員抗壓能力和團隊協(xié)作能力需要非常強... ...
針對這些問題，整個研發(fā)團隊迅速做出了調(diào)整。
項目組立即開展投入算法研究、開發(fā)縮放校正算法、旋轉(zhuǎn)校正算法、小缺陷缺陷分割算法，針對小樣本缺陷提出遷移學(xué)習(xí)來提升算法的性能。
并且，項目組積極組織研發(fā)人員進行攻堅，開發(fā)了孔異常算法、顏色校正算法等，這些算法作為ADC項目整體解決方案的補充，能靈活的根據(jù)不同的問題進行調(diào)整。
項目組以站點負(fù)責(zé)人制積極高效的推動算法的開發(fā)和交付，騰訊云和優(yōu)圖實驗室一方面和華星光電進行充分溝通，允許在不影響面板質(zhì)量的情況下對判斷缺陷的規(guī)則進行適當(dāng)修改；另一方面組織算法人員進行攻堅，采用適合的算法解決數(shù)據(jù)不準(zhǔn)確易混淆的問題。
工業(yè)視覺場景有自己的特殊性，與自然場景有很大的不同，液晶面板的圖像特征比較單一，但是也有一定幅度的變化。
華星光電給騰訊云提供的訓(xùn)練數(shù)據(jù)，無法完全覆蓋生產(chǎn)環(huán)境中的所有情況。
對此，騰訊云需要采用圖像標(biāo)準(zhǔn)化的策略，將所有線上數(shù)據(jù)全部都轉(zhuǎn)換到同一個標(biāo)準(zhǔn)化的空間，再進行缺陷分析，最大程度抑制產(chǎn)線波動帶來的影響。
騰訊云提煉出最優(yōu)的通用解決方案并封裝到TI-insight, 使用Ti-insight則不需要有研發(fā)技能也可以進行模型的交付和算法的迭代，這大大降低了算法的交付成本。
而在整個ADC項目進行的過程中，整個的準(zhǔn)確率在不斷地提升，準(zhǔn)確率從最開始的70-80%，到目前的90%以上，這個過程整個研發(fā)團隊用了兩年的時間。
劉慶表示，如今，ADC識別單張圖片的速度從人員的2秒縮短到了500-600毫秒，目前總共可以替代140名員工。截至目前，ADC項目可以為華星光電節(jié)省超過1000萬人民幣的成本。
自2016年起，華星光電就開始嘗試智能制造。由于一開始采用的項目制發(fā)現(xiàn)推進困難，華星光電隨即成立了數(shù)字化轉(zhuǎn)型推進辦公室，讓有相關(guān)經(jīng)驗的工程師學(xué)習(xí)智能制造前沿的技術(shù)并進行推廣應(yīng)用。
TCL集團是國內(nèi)許多制造業(yè)公司的縮影。如華星光電一樣，傳統(tǒng)企業(yè)向數(shù)字化轉(zhuǎn)型如果可以得到驗證，對于其他公司來說就會擁有同樣的商業(yè)場景。
對于高端制造業(yè)來說，向數(shù)字化轉(zhuǎn)型的難點在于對數(shù)據(jù)的采集要求到極致，例如華星光電會對氣態(tài)、液態(tài)、溫度等物質(zhì)的數(shù)據(jù)，這個挑戰(zhàn)已經(jīng)超越了數(shù)據(jù)采集，也超過了一般的數(shù)據(jù)分析。
對新技術(shù)的駕馭和掌控，制造業(yè)本身需要企業(yè)在機制和體制上對新技術(shù)的落地有一個新的認(rèn)識。如今，新的技術(shù)要在工廠能夠用好、落實好、執(zhí)行好，需要企業(yè)擁有與過去不同的知識結(jié)構(gòu)。
而對于傳統(tǒng)企業(yè)來說，推進智能制造需要多方合力，既要懂工廠業(yè)務(wù)還要懂算法的人才，這對傳統(tǒng)工業(yè)自動化部門是不小的挑戰(zhàn)，同樣，也是機遇。
如果您對「鯨犀」感興趣，請掃碼進入讀者群！
如果您的企業(yè)已經(jīng)邁進數(shù)字化的大潮，有想報道的落地案例，請聯(lián)系「鯨犀」！公眾號后臺留言或添加小助手微信whale-rhino，感謝您的關(guān)注！
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
