生成對抗網路於工業影像之單一瑕疵分類

作者:

羅倆凡、張耿豪、呂寧遠、林毓庭、李韋辰、蔡雅惠

刊登日期:2021/04/28

摘要:在工業製造過程中,瑕疵檢測必是不可或缺的一環。而現今檢測流程中也仍存在各式懸而未決的問題,尤其在製程技術進步的當代,缺陷樣本的稀缺性會造成標註及訓練定義上的困難。本文將介紹一種新型的智慧檢測技術,藉由一些神經網路的特殊性質,解決了樣本缺乏而難以檢測的困境。
Abstract:Defects inspection is an indispensable process in industrial manufacturing. However, there are still many problems to tackle in the inspection process. The lack of defective samples causes difficulty in sample labeling and training. This article will introduce a novel intelligent detection method which solves the inspection problem caused by the lack of samples with the special properties of neural networks.

關鍵詞:人工智慧、工業影像檢測、單分類模型
Keywords:Artificial intelligence, Industrial image inspection, One-class classification model

前言
自動光學檢查是工業製程中常見的代表性手法,是運用計算機視覺來代替人類的大腦的判斷以及眼睛擷取影像並利用機械手臂模擬人類手部動作,以達成高速度與高精確度的一種檢測技術。其組成主要分為兩個步驟,先利用光學儀器取得欲檢測的樣本的表面狀態,再以電腦影像處理技術來判斷出該表面上是否有異物或圖案異常等瑕疵。因為檢查過程中不用接觸到樣本,所以可在工業生產線的過程中即時檢查半成品的狀態。高精度光學影像檢測系統應用範圍包含量測鏡頭技術、光學照明技術、定位量測技術、電子電路測試技術、影像處理技術及自動化技術應用等領域,當前已經廣泛地被應用在工業上的瑕疵檢測流程中,以確保生產出來產品的品質。
在光學儀器取像方面,感光耦合元件(CCD)上有許多排列整齊的電容,能感應光線,並將接收到的光將轉換為數字信號。而互補金氧半導體(CMOS)主要是利用矽和鍺這兩種元素讓CMOS上共存著帶N(帶負電)和P(帶正電)型的半導體,這兩個互補效應所產生的電流即可被處理晶片紀錄和解讀成影像。雖然CMOS感光元件造價低廉,也能將訊號處理電路整合在同一部裝置上,但CCD相機由於其捕獲高分辨率圖像和相對低噪音的特性,在工業檢測場景中仍被廣泛使用。
而在電腦影像處理技術方面,傳統機器視覺演算法,包括二質化、邊緣及角點的偵測、物件辨識、模板匹配、Blob分析、霍夫轉換等,發展至今已臻至成熟,在許多商業影像處理資料庫中,例如,Matrox MIL,Euresys eVision,Cognex VisionPro和HALCON上,皆已取得不錯的成效,更有甚者,已經將其辨識分類的結果整合進入工業生產線中。
然而,使用攝影圖像的自動光學檢查仍具有許多問題需要被克服。不同的測試樣本本身存在不同的光學特性,甚至相同產品上的不同瑕疵也會存在不一樣的光學特性,非一致性表面紋理品質使用傳統視覺檢測困難,往往導致產能與良率的不穩定,尤其新產品生產需有大量的瑕疵樣本以供學習才能有穩定品質,但樣本的稀缺性對於檢測系統的困境無疑是雪上加霜。本文主要目的是解決工業影像表面品質檢測之問題,期望能以文中介紹之技術來降低對瑕疵樣本的需求,發展出以人工智慧為基礎之工業視覺檢測技術及其相關應用,使產能與良率皆能有效提升。
單一類別分類智慧檢測技術及其應用
以傳統機器視覺技術做自動光學檢測時,會因為材質的光學特性、背景的複雜度等因素而影響,且建模的強健性較差,往往無法處理實際應用中無法預測的未知瑕疵;近年人工智慧的蓬勃發展,為傳統機器視覺技術注入一線生機,但對於缺陷樣本的高度依賴性,在如今工業製程臻至成熟的環境下,缺陷樣本的稀缺性也嚴重影響了普遍人工智慧方法的準確度。單一類別分類技術[1]的出世解決了缺陷樣本稀缺而導致的資料分布不均問題,該方法試圖利用僅包含某一單一類別的訓練資料來做學習,期望模型經學習後能夠在未知的資料中分辨出該類的資料。
1. 單一類別分類系統
單一類別分類系統之整體檢測架構如圖1所示。在訓練的階段,我們先將一類的訓練圖片輸入一個生成對抗網路中,藉由生成器和判別器之間的交互作用,讓此網路在此之間學習到了不僅僅是趨近於現實分布的圖像,亦可以學習到能產生代表現實分布圖像的隱性碼;而在測試的階段我們訓練新進資料的隱性碼。訓練完成的生成器被視為標準映射,並且在隱性碼的優化期間參數被固定,期待能藉由倒傳遞的過程中,學習到未知的測試圖像的隱性碼。而真實在分類時,比較訓練圖像的隱性碼與訓練圖像的無瑕疵圖像的隱性碼,若相近則判斷為無瑕疵,若相差很大則判定為瑕疵影像。

圖1 單一類別分類系統架構[3]

…本文未結束

更完整的內容 歡迎訂購 2021年5月號 458期

機械工業雜誌‧每期240元‧一年12期2400元

我要訂購